CN104504708B - 一种基于毗邻图像特征点集的dsa脑血管图像自动分割方法 - Google Patents
一种基于毗邻图像特征点集的dsa脑血管图像自动分割方法 Download PDFInfo
- Publication number
- CN104504708B CN104504708B CN201410830718.3A CN201410830718A CN104504708B CN 104504708 B CN104504708 B CN 104504708B CN 201410830718 A CN201410830718 A CN 201410830718A CN 104504708 B CN104504708 B CN 104504708B
- Authority
- CN
- China
- Prior art keywords
- image
- dsa
- cerebrovascular
- flapper
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于毗邻图像特征点集的DSA脑血管图像自动分割方法，包括1：导入若干对连续的DSA脑血管图像作为源图像数据；2：对每一对DSA脑血管图像均进行分区；3：对分区后的DSA脑血管设置图像阈值；4：基于sift算法提取特征点；5：对每一对提取特征点的DSA脑血管图像中的蒙片图像与活片图像均基于数字减影技术得到相应活片图像的特征点差值图像；6：提取所有所述特征点差值图像的图像特征点集，利用相邻图像关系对图像特征点集进行精确提取；7：对提取的图像特征点集进行区域生长，得到相应的脑血管图像。本发明采用图像分割技术，利用毗邻图像，将邻域间的像素信息进行综合，提高了特征点信息提取的准确性，有效减小了噪声。
Description
技术领域
本发明涉及医学图像处理领域，具体地说是涉及一种基于毗邻图像特征点集的DSA脑血管图像自动分割方法。
背景技术
在利用DSA机进行脑血管畸形和脑血管瘤的诊断与手术时，通常会遇到DSA图像中伪影剧烈的困难，从而严重影响了脑血管诊断与治疗的可靠性。为了便于诊断病灶，得到患者脑血管中的三维信息。其中通常需要减影操作，采集两个脑血管图像序列，即蒙片序列图像和活片图像序列；两者对应相减，理想情况下应该得到只含有血管的减影图像。但由于各种因素造成的误匹配经常使得所获取的造影图片的诊断大打折扣。在这样的条件下，就需要一种快速有效配准算法来消除伪影的影响，从而得到高质量的脑血管减影图像，提高脑血管疾病诊断和治疗的可靠性。
目前出现的关于脑血管自动分割方法大部分是基于配准的方法，而医学图像配准过程的运算量非常大，即使采用刚性变换，对于大规模高分辨率断层，图像数据集包含的庞大数据量，也无法满足临床上实时处理的要求，因而必须采取优化措施；同时对于减影技术的运动伪影的消除，目前尚没有能够大范围应用到临床医学中的方法。
具体的，现有的常用脑血管自动分割方法：
1：人工进行配准，操作人员手动进行配准，其存在效率低下，图像数据集包含的数据量十分庞大，无法满足临床上实时处理的要求等问题；
2：模块匹配自动配准技术，其中有框架的配准方法基于外部基准点特征，能够获得较高的精度，可作为评估无框架配准算法的标准，但其植入式的特点会给患者带来很大的痛苦，同时也不易对历史图像作回溯式的研究。
3：采用基于规则网格模型的算法自动生成序列控制点，根据控制点空间排布的特点，优化搜索相关点的过程，同时限制控制点在二维空间的搜索范围，然后采用基于逆拉伸空间变换的像素映射填充算法来生成变形后的蒙片目标图像，实现减影，但是其存在算法的鲁棒性、计算速度和正确性不够健全等缺陷。
发明内容
鉴于已有技术存在的缺陷，本发明的目的是要提供一种基于毗邻图像特征点集的DSA脑血管图像自动分割方法，该方法具有采用图像分割技术，利用毗邻图像，将邻域间的像素信息进行综合，提高了特征点信息提取的准确性，有效减小了噪声。
为了实现上述目的，本发明的技术方案：
一种基于毗邻图像特征点集的DSA脑血管图像自动分割方法，其特征在于：
包括
步骤1：导入若干对连续的DSA脑血管图像作为源图像数据；
步骤2：对每一对DSA脑血管图像均进行分区，使得每一对DSA脑血管图像中的蒙片图像与活片图像均分为上下两个区域；
步骤3：对步骤2中分区后的DSA脑血管设置图像阈值：对DSA脑血管图像的蒙片图像与活片图像中的上区域与下区域分别设置不同图像阈值；
步骤4：基于sift算法提取特征点：对步骤3中设置图像阈值后的每一对DSA脑血管图像中的蒙片图像与活片图像均基于sift算法，按照步骤3中所设置的上下区域不同阈值提取特征点，得到对应的图像特征点集；
步骤5：对步骤4中每一对提取特征点的DSA脑血管图像中的蒙片图像与活片图像均基于数字减影技术得到相应活片图像的特征点差值图像；
步骤6：提取步骤5中所有所述特征点差值图像的图像特征点集，利用相邻图像关系对图像特征点集进行精确提取；
步骤7：对步骤6中提取的图像特征点集进行区域生长，得到相应的脑血管图像。
进一步的，所述的基于数字减影技术得到相应活片图像的特征点差值图像是指①、提取蒙片图像的图像特征点集V1、活片图像的图像特征点集V2后；②、遍历蒙片图像的图像特征点集V1中的各个特征点，并在活片图像上找到相应特征点对应的位置坐标；③、以所述位置坐标为圆心作圆后，遍历活片图像的图像特征点集V2，将处于所述圆的圆内且包含圆上特征点去除，仅保留处于所述圆的圆外的特征点；④、将保留的所述特征点映射到活片图像对应位置上，得到特征点集差值图像。
进一步的所述利用相邻图像关系对图像特征点集进行精确提取是指：①、提取所有映射到活片图像上的差值特征点集；②、依次将相邻三幅活片图像做以下步骤：ⅰ、所述相邻三幅活片图像的差值特征点集分别设定为T1、T2、T3；ⅱ、遍历T1中的各个特征点；ⅲ、在T2中找到与ⅱ中所述特征点对应的位置坐标，并以其为圆心作圆，保留所述圆圆内的特征点，得到T1、T2共同特征点集T4；ⅳ、对T2、T3重复ⅱ、ⅲ步骤得到T2、T3共同特征点集T5后，对共同特征点集T4、T5求并集，得到综合特征点集T6。
与现有技术相比，本发明的有益效果：
1.本发明不同于以往大多基于配准方法的研究，采用图像分割技术，利用分区选取不同的阈值的做法，使血管特征点的提取更加精确。
2.本发明利用毗邻图像，将邻域间的像素信息进行综合，提高了特征点信息提取的准确性，减小了噪声。
3.本发明为自动分割，操作简单，不同操作人员得到的分割结果基本相同。
4.本发明编程容易实现，算法复杂度较低。
附图说明
图1为本发明-基于毗邻图像特征点集的DSA脑血管图像自动分割方法步骤流程示意图；
图2为本发明-蒙片图像提取特征点示意图；
图3为本发明-活片图像提取特征点示意图；
图4为本发明-分区选取阈值后的提取特征点示意图；
图5为本发明-特征点差值图像示意图；
图6为本发明-根据毗邻图像特征点集差值图像提取特征点示意图；
图7为本发明-步骤6中所述相邻三幅图像中的第n-1幅图像特征点集差值图像示意图；
图8为本发明-步骤6中所述相邻三幅图像中的第n幅图像特征点集差值图像示意图；
图9为本发明-步骤6中所述相邻三幅图像中的第n+1幅图像特征点集差值图像示意图；
图10为本发明-本地方窗与DSA图像上的移动方向示意图；
图11为本发明-步骤7中的区域成长示意图；
图12为本发明-区域成长完成后的完整脑血管图像示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。
如图1-图11所示，一种基于毗邻图像特征点集的DSA脑血管图像自动分割方法，其特征在于：
如图1所示，包括
步骤1：导入若干对连续的DSA脑血管图像作为源图像数据。
步骤2：对每一对DSA脑血管图像均进行分区，使得每一对DSA脑血管图像中的蒙片图像与活片图像均分为上下两个区域。
进一步的，所述分区是指将全部DSA脑血管图像(蒙片图像与活片图像)均按照自上至下从所述图像的三分之一处水平分割成上下两个区域；之所以选取三分之一处是基于实验观察发现脑血管蒙片活片图像在三分之一以上的脑血管较细且分布比较密集；下面三分之二，血管较大且分布较稀疏的特点。
步骤3：对步骤2中分区后的DSA脑血管设置图像阈值：对DSA脑血管图像的蒙片图像与活片图像中的上区域与下区域分别设置不同图像阈值，并使得全部的上区域以及下区域统一采用相同的阈值尺度。即所述蒙片图像与活片图像中的上区域与下区域的图像阈值应当尽可能选取相差较大的两个阈值，本例中所有蒙片图像与活片图像中的上区域的阈值使用100，所有蒙片图像与活片图像中的下区域的阈值使用8。
步骤4：利用上述阈值策略，基于sift算法按照步骤3中所设置的上下区域不同阈值提取特征点，得到特征点分布更为均匀的脑血管图像：对步骤3中设置图像阈值后的每一对DSA脑血管图像中的蒙片图像与活片图像均基于sift算法提取特征点，得到对应的图像特征点集。
在图像处理中，特征点可以称兴趣点或者角点，三者经常相互使用，即图像的极值点，线段的终点，曲线曲率最大的点或者水平或者竖直方向上属性最大的点等等，这些特征点是图像很重要的特征，对图像图形的理解和分析有很重要的作用；因此本方法首先利用常用的sift算法(包括尺度空间的生成；检测尺度空间极值点；精确定位极值点；为每个关键点指定方向参数；关键点描述子的生成等，为领域内常用算法，这里不再赘述)对每一对DSA脑血管图像中的蒙片图像与活片图像进行特征点提取，得到对应的图像特征点集，即对应每一对的蒙片图像的图像特征点集V1、活片图像的图像特征点集V2。
步骤5：对步骤4中每一对提取特征点的DSA脑血管图像中的蒙片图像与活片图像均基于数字减影技术得到相应活片图像的特征点差值图像。
所述的基于数字减影技术得到相应活片图像的特征点差值图像是指①、提取蒙片图像的图像特征点集V1、活片图像的图像特征点集V2后；②、遍历蒙片图像的图像特征点集V1中的各个特征点，并在活片图像上找到相应特征点对应的位置坐标；③、以所述位置坐标为圆心作圆后，遍历活片图像的图像特征点集V2，将处于所述圆的圆内且包含圆上特征点去除，仅保留处于所述圆的圆外的特征点；④、将保留的特征点映射到活片图像对应位置上，得到特征点集差值图像。
如，提取蒙片图像的图像特征点集V1、活片图像的图像特征点集V2后；遍历蒙片图像的图像特征点集V1中的各个特征点，以特征点p1为例，并在活片图像上找到特征点p1对应的位置坐标；以特征点p1对应的位置坐标为圆心并选取合适半径r1作圆，其中半径的选取则是通过不断的选取值实验，观察最后的图像中的特征点，若噪声特征点提取较少，想要的血管上的特征点大部分都提取到即选择最好的情况下的值作为半径，选择无具体规则，以达到较好效果即可；遍历活片图像的图像特征点集V2，将V2中处于所述圆的圆内且包含圆上特征点去除，仅保留处于圆外的特征点；将保留的特征点映射到活片图像对应位置上，得到特征点集差值图像，上述过程可参看如图2-图6。
步骤6：提取步骤5中所有所述特征点差值图像的图像特征点集，利用相邻图像关系对图像特征点集进行精确提取；
所述利用相邻图像关系对图像特征点集进行精确提取是指：①、提取所有映射到活片图像上的差值特征点集；②、依次分别将相邻三幅活片图像做以下步骤：ⅰ、所述相邻三幅活片图像的差值特征点集分别设定为T1、T2、T3；ⅱ、遍历T1中的各个特征点；ⅲ、在T2中找到与ⅱ中所述特征点对应的位置坐标，并以其为圆心作圆，保留所述圆圆内的特征点，得到T1、T2共同特征点集T4；ⅳ、对T2、T3重复ⅱ、ⅲ步骤即遍历T2中的各个特征点，在T3中找到与ⅱ中所述特征点对应的位置坐标，并以其为圆心作圆，保留所述圆圆内的特征点，得到T2、T3共同特征点集T5 5后，对共同特征点集T4、T5求并集，得到综合特征点集T6。
如，提取所有映射到活片图像上的差值特征点集，依次分别将相邻三幅图像做以下步骤，以第n-1、n、n+1幅为例，如图7-图9所示，它们的特征点集分别为T1、T2、T3；遍历T1中的特征点，以特征点n1为例，选取合适半径r2，作圆，半径选取原则与步骤5中的半径选取原则一样；若T2中作圆后圆的内部有特征点则保留，否则除去；得到T1、T2共同特征点集T4；同样的将T2、T3做上述步骤，得到T2、T3共同特征点集T5；将两个共同特征点集T4、T5求交得到综合特征点集T6。
步骤7：对步骤6中提取的综合图像特征点集进行区域生长，得到相应的脑血管图像，如图12所示。
如图11所示，区域生长为血管的详细过程包括三个步骤：
第1步：初始化所有特征点作为种子像素集。标记所有这些种子像素点为“种子像素未生长”的状态，标记图像中的其他像素是“普通像素未生长”的状态。
第2步：搜索种子像素集中“种子像素未生长”状态的种子像素，标记状态为“种子像素已生长”，转到步骤3。如果没有一个种子像素为“种子像素未生长”的状态时，整个遍历处理结束。
第3步：遍历种子像素的八邻域，如果它的灰度值比它的区域阈值小，并且它的状态为“普通像素未生长”，把它加入种子像素集，并标记状态为“种子像素未生长”，否则，标记状态为“普通像素已生长”，然后遍历下一个像素，当八邻域遍历结束，转到第2步。
为了得到所述区域阈值，对每个所述种子像素都需要执行如下三个步骤：
步骤1：建立本地方形窗口宽度为w
步骤2：计算阈值如下
sum＝w×w
其中：sum是方形窗口的种子像素数量，pgi是每个种子像素的窗口中的灰度值，avg用于表示平均值，即表示灰度值局部窗口内的平均水平；v用于表示所有这些种子像素的方差值，即表示由窗口内的灰度值的波动情况。
局部阈值可通过以下等式来最终获得的：
这里，参数α用于降低种子像素值变动的影响，经过多次实验，最佳选择是α是0.3，而w是8。
步骤3：如果本地窗口移动到图像的右下角时，整个遍历处理结束；如果不是，则本地窗口继续向前(从左上角到由线右下角线)，转到步骤2。
其中在DSA图像上的本地正方形窗口如图11所示。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于毗邻图像特征点集的DSA脑血管图像自动分割方法，其特征在于：
包括
步骤1：导入若干对连续的DSA脑血管图像作为源图像数据；
步骤2：对每一对DSA脑血管图像均进行分区，使得每一对DSA脑血管图像中的蒙片图像与活片图像均分为上下两个区域；
步骤3：对步骤2中分区后的DSA脑血管设置图像阈值：对DSA脑血管图像的蒙片图像中的上区域与下区域分别设置不同图像阈值，同时对DSA脑血管图像的活片图像中的上区域与下区域分别设置不同图像阈值，且使得全部的上区域采用相同的阈值尺度，全部的下区域采用相同的阈值尺度；
步骤4：基于sift算法提取特征点：对步骤3中设置图像阈值后的每一对DSA脑血管图像中的蒙片图像与活片图像均基于sift算法，按照步骤3中所设置的上下区域不同阈值提取特征点，得到对应的图像特征点集；
步骤5：对步骤4中每一对提取特征点的DSA脑血管图像中的蒙片图像与活片图像均基于数字减影技术得到相应活片图像的特征点差值图像；
步骤6：提取步骤5中所有所述特征点差值图像的图像特征点集，利用相邻图像关系对图像特征点集进行精确提取；
步骤7：对步骤6中提取的图像特征点集进行区域生长，得到相应的脑血管图像。
2.根据权利要求1所述的DSA脑血管图像自动分割方法，其特征在于：
所述的基于数字减影技术得到相应活片图像的特征点差值图像是指①、提取蒙片图像的图像特征点集V1、活片图像的图像特征点集V2后；②、遍历蒙片图像的图像特征点集V1中的各个特征点，并在活片图像上找到相应特征点对应的位置坐标；③、以所述位置坐标为圆心作圆后，遍历活片图像的图像特征点集V2，将处于所述圆的圆内且包含圆上特征点去除，仅保留处于所述圆的圆外的特征点；其中半径的选取规则是通过不断的选取值实验，观察最后的图像中的特征点，选择最好的情况下的值作为半径；④、将保留的特征点映射到活片图像对应位置上，得到特征点集差值图像。
3.根据权利要求1所述的DSA脑血管图像自动分割方法，其特征在于：所述利用相邻图像关系对图像特征点集进行精确提取是指：①、提取所有映射到活片图像上的差值特征点集；②、依次将相邻三幅活片图像做以下步骤：ⅰ、所述相邻三幅活片图像的差值特征点集分别设定为T1、T2、T3；ⅱ、遍历T1中的各个特征点；ⅲ、在T2中找到与ⅱ中所述特征点对应的位置坐标，并以其为圆心作圆，保留所述圆圆内的特征点，得到T1、T2共同特征点集T4；其中半径的选取规则是通过不断的选取值实验，观察最后的图像中的特征点，选择最好的情况下的值作为半径；ⅳ、对T2、T3重复ⅱ、ⅲ步骤得到T2、T3共同特征点集T5后，对共同特征点集T4、T5求并集，得到综合特征点集T6。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410830718.3A CN104504708B (zh) | 2014-12-26 | 2014-12-26 | 一种基于毗邻图像特征点集的dsa脑血管图像自动分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410830718.3A CN104504708B (zh) | 2014-12-26 | 2014-12-26 | 一种基于毗邻图像特征点集的dsa脑血管图像自动分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104504708A CN104504708A (zh) | 2015-04-08 |
| CN104504708B true CN104504708B (zh) | 2017-02-22 |
Family
ID=52946102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410830718.3A Active CN104504708B (zh) | 2014-12-26 | 2014-12-26 | 一种基于毗邻图像特征点集的dsa脑血管图像自动分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104504708B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105005998B (zh) * | 2015-08-05 | 2018-01-09 | 大连理工大学 | 一种基于多角度序列化图像空间特征点集的脑血管图像分割方法 |
| CA3031392A1 (en) * | 2016-09-16 | 2018-03-22 | Novartis Ag | Subtractive en face optical coherence tomography imaging |
| CN107481252A (zh) * | 2017-08-24 | 2017-12-15 | 上海术理智能科技有限公司 | 医学图像的分割方法、装置、介质和电子设备 |
| CN109377504B (zh) * | 2018-10-26 | 2021-11-30 | 强联智创（北京）科技有限公司 | 一种颅内动脉血管图像分割方法及系统 |
| CN109166124B (zh) * | 2018-11-20 | 2021-12-14 | 中南大学 | 一种基于连通区域的视网膜血管形态量化方法 |
| CN110517244B (zh) * | 2019-08-23 | 2023-04-28 | 首都医科大学宣武医院 | 一种基于dsa图像的定位方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127117A (zh) * | 2007-09-11 | 2008-02-20 | 华中科技大学 | 一种利用序列数字减影血管造影图像分割血管数据的方法 |
| CN102708370A (zh) * | 2012-05-17 | 2012-10-03 | 北京交通大学 | 一种多视角图像前景目标提取方法及装置 |
| CN103606152A (zh) * | 2013-11-15 | 2014-02-26 | 大连理工大学 | 基于sift特征点聚类及布尔差运算的dsa血管图像分割方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8254678B2 (en) * | 2008-08-27 | 2012-08-28 | Hankuk University Of Foreign Studies Research And Industry-University Cooperation Foundation | Image segmentation |
-
2014
- 2014-12-26 CN CN201410830718.3A patent/CN104504708B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101127117A (zh) * | 2007-09-11 | 2008-02-20 | 华中科技大学 | 一种利用序列数字减影血管造影图像分割血管数据的方法 |
| CN102708370A (zh) * | 2012-05-17 | 2012-10-03 | 北京交通大学 | 一种多视角图像前景目标提取方法及装置 |
| CN103606152A (zh) * | 2013-11-15 | 2014-02-26 | 大连理工大学 | 基于sift特征点聚类及布尔差运算的dsa血管图像分割方法 |
Non-Patent Citations (4)
| Title |
|---|
| 《Region-Oriented Segmentation of Vascular Structures from DSA Images Using Mathematical Morphology and Binary Region Growing》;Marco Donizelli;《Spinger Berlin Heidelberg》;19981231;全文 * |
| 《一种序列切片图像的快速自动分割方法》;刘斌等;《武汉大学学报 信息科学版》;20090531;第34卷(第5期);全文 * |
| 《免疫组化彩色细胞图像自动分割的研究》;傅蓉;《中国医学物理学杂志》;20081130;第25卷(第6期);全文 * |
| 《基于特征点和区域生长的目标图像分割方法》;许敬等;《探测与控制学报》;20120229;第34卷(第1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104504708A (zh) | 2015-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104504708B (zh) | 一种基于毗邻图像特征点集的dsa脑血管图像自动分割方法 | |
| EP3108445B1 (en) | Sparse appearance learning-based segmentation | |
| CN105279759B (zh) | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 | |
| CN105447872A (zh) | 一种在超声影像中自动识别肝脏肿瘤类型的方法 | |
| US8781189B2 (en) | Reproducible segmentation of elliptical boundaries in medical imaging | |
| CN112885453A (zh) | 用于标识后续医学图像中的病理变化的方法和系统 | |
| CN105912874A (zh) | 基于dicom医学图像构建的肝脏三维数据库系统 | |
| CN103310458A (zh) | 结合凸包匹配和多尺度分级策略的医学图像弹性配准方法 | |
| CN103324934B (zh) | 基于平行结构检测与聚类的血管中心线自动提取方法 | |
| CN105139377A (zh) | 一种腹部ct序列图像肝脏的快速鲁棒自动分割方法 | |
| CN110969633B (zh) | 一种心脏ct成像自动最优相位识别方法 | |
| Du et al. | Convolutional networks for the segmentation of intravascular ultrasound images: Evaluation on a multicenter dataset | |
| DE102017203313A1 (de) | Verfahren zur Auswertung eines kontrastmittelverstärkten Magnetresonanzschichtbildes eines Herzens, Bildverarbeitungseinrichtung, Computerprogramm und elektronisch lesbarer Datenträger | |
| CN112508869A (zh) | 颅内血管图像融合方法和计算机可读存储介质 | |
| Yin et al. | Automatic breast tissue segmentation in MRIs with morphology snake and deep denoiser training via extended Stein’s unbiased risk estimator | |
| CN105678711B (zh) | 一种基于图像分割的衰减校正方法 | |
| CN113222974B (zh) | 一种侧支循环的自动评价方法和装置 | |
| CN104915989B (zh) | 基于ct影像的血管三维分割方法 | |
| CN111862259B (zh) | 医学灌注图像处理方法和医学成像设备 | |
| Mohammed et al. | Digital medical image segmentation using fuzzy C-means clustering | |
| Qiao et al. | Automatic liver segmentation method based on improved region growing algorithm | |
| CN112509079A (zh) | 颅内血管造影增强三维狭窄化分析模型的建立方法 | |
| CN111179288A (zh) | 一种交互式造影血管分割方法及系统 | |
| WO2023216057A1 (en) | System and method for medical imaging | |
| Ting et al. | Multiview 3-d echocardiography image fusion with mutual information neural estimation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |