CN105105741A - 一种脉搏波图像包络线提取和特征点跟踪的方法 - Google Patents
一种脉搏波图像包络线提取和特征点跟踪的方法 Download PDFInfo
- Publication number
- CN105105741A CN105105741A CN201510416414.7A CN201510416414A CN105105741A CN 105105741 A CN105105741 A CN 105105741A CN 201510416414 A CN201510416414 A CN 201510416414A CN 105105741 A CN105105741 A CN 105105741A
- Authority
- CN
- China
- Prior art keywords
- image
- pulse wave
- feature point
- pixel
- envelope
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种脉搏波图像包络线提取和特征点跟踪的方法,包括脉搏波包络线的提取和脉搏波包络线特征点跟踪,先通过脉搏波ROI区域裁剪,最大类间方差阈值法二值化,形态学算法和Sobel算子边缘检测四个步骤提取出脉搏波图像的包络线,再利用多重门限阈值辨识和跟踪包络线上的特征点。该方法与传统的直接用边缘检测算法不同之处是先截取ROI有效区域,然后进行二值化,在新的ROI图像上用边缘检测的方法提取到脉搏波图像的包络线,最后用搜索脉搏波图像包络线最大纵坐标结合多重门限阈值的方法得到了脉搏波的主波和谐波的波峰和波谷,没有出现误检和漏检,在重搏波不太明显的时候,也能准确识别出重搏波的位置。
Description
技术领域
本发明涉及通过脉冲多普勒图像测量血流速度的领域,尤其是一种脉搏波图像包络线提取和特征点跟踪的方法。
背景技术
脉冲多普勒图像在临床医学中有着重要的作用,是测量血管参数的重要载体。许多重要的医学指标可以从脉搏信号中分析和计算而来,如:血液流动速度,血管的内中膜厚度,血管的最大血流速度和血管的动脉硬化程度等。这些指标能很大程度地帮助医疗从业者更好的分析病人的身体情况。虽然脉搏波信号因人而异,并且随着病人年龄的增长而有所差异,但还是符合一定的周期性规律。
图1大致描绘了一个周期内脉搏波图像的形状特征,它包含了三个波段和四个特征点。不同年龄的病人,因为血管的机能不同,脉搏波的形状特征也会相应有所变化。健康人的脉搏波信号拥有陡峭的上升沿和下降沿,这是因为健康人的血管机能比较好,血管阻力较小,血流速度大。同时,健康人的脉搏波信号的潮波B不显著。当主动脉瓣受到血液回流的冲击,形成明显的脉搏波信号的重搏波波峰C和波谷D。随着病人年龄的增大,血管的机能变差,导致血管的阻力变大,血流速度变慢,潮波B会相应升高甚至超越主波A。同时,血管阻力的变大会导致血液回流的速度增加,重搏波波峰C和波谷D抬高,使得整个脉搏波信号呈现山丘式变化。
目前临床中测量血流速度的方法主要是有经验的医师采集1024帧多普勒图像后,按解冻键,挑选图像清晰的一张或几张,利用超声设备的轨迹球手动描绘包络线,再利用超声软件自带的测量功能,计算出血流的各种参数。显然,传统方法有很多的弊端。首先,此方法工作量大。一次描迹过程需要15-20分钟,如果操作失误,还需要重新绘制。其次,描迹精确度无法保障,不同的医师对图像的预处理不同,导致同一张图像绘制出的包络线相差极大,严重影响血流速度测量的精确度。
发明内容
本发明要解决的技术问题是克服现有的缺陷,提供了一种脉搏波图像包络线提取和特征点跟踪的方法,先针对脉搏波图像自动描绘包络线,接着再利用多重门限阈值方法跟踪包络线上的特征点,从而提高了血流速度测量的精确度。
为了解决上述技术问题,本发明提供了如下的技术方案:
一种脉搏波图像包络线提取和峰值点跟踪的方法,该方法包括脉搏波包络线的提取和脉搏波包络线特征点跟踪,先通过脉搏波ROI区域裁剪,最大类间方差阈值法二值化,形态学算法和Sobel算子边缘检测四个步骤提取出脉搏波图像的包络线,再利用多重门限阈值方法辨识和跟踪包络线上的特征点。
进一步地,脉搏波ROI区域裁剪采用阈值化方法,超声诊断仪上采集的脉搏波图像是256灰度级的彩色图片,具有红、绿、蓝三个通道,对红、绿、蓝三个通道设定对应的门限阈值t1、t2、t3,并设定图像的总分割阈值t,设r、g、b是当前图像对应的红、绿、蓝通道的灰度值,m是图像每一行像素的个数,对于每一行像素点,采用公式(1)和(2)进行计算;对于每一行像素点,如果计算所得的λ<t0,则认为该行是背景区域;反之,当λ>t0,则认为该行是目标区域;脉搏波图像经过ROI区域裁剪处理后,目标与背景得到初步分离,其中公式(1)和(2)如下:
进一步地,最大类间方差阈值法二值化是在图像灰度直方图的基础上,分析和计算合适的阈值,使目标和背景两区域间的方差达到最大,使得目标区域增强,背景区域减弱,从而将图像分成目标和背景两区域;假设图像具有m级灰度级,灰度值i的像素数为ni,则总像素数为:可以计算出,每个像素的概率为:将N分C0{1~T}和C1{T+1~m}两组,
C0的产生的概率:
C1的产生的概率:
C0的平均值为:
C1的平均值为:
式中,是阈值为T时的灰度平均值,采样的灰度平均值是:
μ=w0μ0+w1μ1(7)
两组间的方差可用下式求出:
定义Tmax是使式(8)取得最大值所对应的T值,也就是最大类间方差法二值化的阈值。
进一步地,形态学算法利用各种几何形状的结构算子作为形态滤波器,在图像的目标区域进行卷积滤波,增强目标区域和背景区域的差异性,选定具有特定半径R的圆盘形结构元素α(m)用来填充目标区域内部的空洞;形态学中基本的膨胀、腐蚀定义:
设脉搏信号的离散数字序列为f(n),结构元素为α(m),且有n>m,则定义如下形态学算子:
膨胀算子:
膨胀算子: 经过形态学圆盘算子卷积处理后,脉搏波图像中间连通区域的孔洞被填充完整。
进一步地,Sobel算子根据脉搏波图像中各个像素点的梯度,计算像素点和周围像素点的差异,从而分离目标和背景,提取出边界区域;Sobel算子包含水平方向和垂直方向两组3x3的矩阵,利用算子滤波器逐行与图像像素点卷积,计算出水平方向和垂直方向的亮度差分值;以Gx与Gy分别代表经水平方向和垂直方向进行边缘检测的算子:
图像中每一个像素的横向及纵向梯度近似值可用以下的公式结合,来计算梯度的大小。设(x,y)是原图像的一个像素点,则
然后可用以下公式计算梯度方向:
经过Sobel算子边缘检测后,目标区域与背景区域完全分离。
进一步地,脉搏波包络线特征点跟踪是先通过搜索找出候选特征点后,再利用设定的多重门限阈值识别出脉搏波图像的特征点,并且判断该特征点属于脉搏信号的具体阶段;提取包络线的特征点算法分为两个步骤,首先搜索出每列像素的最大值和最小值,作为脉搏波候选特征点pixelList,然后定义主峰门限阈值和重博波门限阈值辨识出脉搏信号的特征点,其中minRow和maxRow分别是脉搏信号目标区域的最低点行号和最高点行号。
进一步地,提取包络线的特征点具体算法如下:
(1)遍历包络线的每一个像素,设第i列的像素为f(xi),若f(xi)>f(xi-1)且f(xi)>f(xi+1),就认为f(xi)是图像的一个候选特征点;
(2)若f(xi)<f(xi-1)且f(xi)<f(xi+1),则候选特征点是重搏波波谷D;
(3)定义主峰门限 若候选特征点的 则候选特征点是主波波峰A。若候选特征点的则候选特征点是潮波波峰B或者是重搏波波峰C;
(4)定义重博波门限 如果候选点的 则候选特征点是重搏波波峰C;反之,候选特征点是噪声点。
本发明的优点:与传统的直接用边缘检测算法不同,该方法是先截取ROI有效区域,然后进行二值化,在新的ROI图像上用边缘检测的方法提取到脉搏波图像的包络线,最后用搜索脉搏波图像包络线最大纵坐标结合多重门限阈值的方法得到了脉搏波的主波和谐波的波峰和波谷,没有出现误检和漏检,在重搏波不太明显的时候,该方法也能准确识别出重搏波的位置,既提高了工作效率,又提升了血流速度测量的精确度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为一个周期的脉搏波信号;
图2为超声波仪器上获得的脉搏波图像;
图3为ROI区域剪裁后的脉搏波图像;
图4为二值化后的脉搏波图像;
图5为形态学算子填孔后的脉搏波超声图像;
图6为边缘检测后的脉搏波图像;
图7为特征点跟踪后的脉搏波图像。
具体实施方式
本发明所列举的实施例,只是用于帮助理解本发明,不应理解为对本发明保护范围的限定,对于本技术领域的普通技术人员来说,在不脱离本发明思想的前提下,还可以对本发明进行改进和修饰,这些改进和修饰也落入本发明权利要求保护的范围内。
本发明提出了一种针对脉搏波图像自动描绘包络线的方法,接着再利用多重门限阈值方法跟踪包络线的特征点。该方法包括ROI区域的分离,最大类间方差二值化,形态学开闭操作和边缘检测四个步骤,最后再利用多重门限阈值辨识和跟踪图像特征点。
1、脉搏波包络线的提取
(1)脉搏波ROI区域裁剪
超声诊断仪上获得的脉搏波图像如图2所示,图2是从超声诊断仪HY-C360上取得的脉搏波信号图像。显然,ROI(RegionOfInterested)区域即目标区域,是图像上方的脉搏波信号图像。图像下方的背景区域是算法处理中无关的背景部分,如果不能将它与目标区域分离,会大大增加算法的复杂度和算法的处理时间。通常,研究图像的算法往往是设计特定的滤波器,使其与当前图像的每个像素进行卷积运算。如果能减少图像中无效的像素点,无疑大大提升了算法处理的效率。
本发明采取的ROI区域裁剪方法是阈值化方法。超声诊断仪上采集的脉搏波信号图像是256灰度级的彩色图片,具有红、绿、蓝三个通道。对红、绿、蓝三个通道设定对应的门限阈值t1、t2、t3,并设定图像的总分割阈值t。设是当前图像对应的红、绿、蓝通道的灰度值r、g、b,m是图像每一行像素的个数。对于每一行像素点,采用式(1)和(2)进行计算。对于每一行像素点,如果计算所得的λ<t0,则认为该行是背景区域;反之,当λ>t0,则认为该行是目标区域。经过ROI区域剪裁后的图像如图3所示。
(2)最大类间方差阈值法二值化
如图3所示,脉搏波信号图像经过ROI区域裁剪处理后,目标与背景得到初步分离。然而,ROI区域中还是包含大量与脉搏波信号无关的背景点,如果能增强目标与背景的差异,就能更好提取和分离目标区域。二值化是处理图像分割的主要手段之一,它根据图像目标区域和背景区域的灰度差异,用设定阈值的方法把图像用仅含有0和1的二值图像来表示,从而增强了目标与背景的差异。
本发明采用的图像二值化方法是最大类间方差阈值分割法。该方法将图像分成目标和背景两个区域,在图像灰度直方图的基础上,分析和计算合适的阈值,使目标和背景两区域间的方差达到最大,使得目标区域增强,背景区域减弱。最大类间方差阈值的基本原理如下:假设图像具有m级灰度级,灰度值i的像素数为ni,则总像素数为可以计算出,每个像素的概率为将N分C0{1~T}和C1{T+1~m}两组。
C0的产生的概率:
C1的产生的概率:
C0的平均值为:
C1的平均值为:
式中,是阈值为T时的灰度平均值,采样的灰度平均值是:
μ=w0μ0+w1μ1(7)
两组间的方差可用下式求出:
定义Tmax是使式(8)取得最大值所对应的T值,也就是最大类间方差法二值化的阈值。最大类间方差法二值化图像后的效果如图4所示。
(3)形态学算法
脉搏波图像经过最大类间方差阈值二值化后目标区域得到了明显的增强,然而连通区域中有许多孔洞,极大的影响脉搏波包络线提取的质量,增加了图像分割的难度。因此,在提取脉搏波包络线之前,需要对连通区域的内部孔洞进行图像处理,将连通区域内部的孔洞连接起来。
数学形态学方法是处理连通区域的内部孔洞的常用方法。形态学方法利用各种几何形状的结构算子作为形态滤波器,在图像的目标区域进行卷积滤波,增强目标区域和背景区域的差异性。其中,具有特定半径长度的圆盘形形态学算子常被用来填充连通区域内部的空洞。本发明将数学形态学方法应用于脉搏波信号图像的包络线和特征点提取。下面给出形态学中最基本的膨胀、腐蚀定义:
设脉搏信号的离散数字序列为f(n),结构元素为α(m),且有n>m,则定义如下形态学算子:
膨胀算子:
膨胀算子:
由式(9)和式(10)可见,形态学滤波器其实就是基于数学集合理论的运算算子。相比传统的高斯滤波器,维纳滤波器等,形态学算子结构比较简单,使得形态学滤波器和原图像的卷积速度较快。对图像信号进行形态学运算填充连通区域内部孔洞的效果取决于所选择的圆盘形结构元素α(m)的半径R。利用连通区域内部孔洞的波形与其他波形长度不同的特点,选定填充完整、脉搏波信号与背景的差异更明显的特定大小的半径R,经多次实验,选定圆盘形结构算子的半径R为5。对脉搏波图像进行区域填孔效果如图5所示。经过形态学圆盘算子卷积处理后,脉搏波图像中间连通区域的孔洞被填充完整。
(4)Sobel算子边缘检测
二值图像经过形态学操作以后,连通区域内部孔洞被填充完整。图像中白色部分是目标区域,黑色部分是背景区域。两个区域相交的部分就是目标区域的边界。如果需要辨识脉搏波信号的特征点,必须首先提取出脉搏波信号的边缘部分。边缘检测法是图像分割中提取目标区域轮廓和边界的最常用方法。本发明采用Sobel算子来提取脉搏波信号的边界。Sobel算子根据图像各个像素点的梯度,计算像素点和周围像素点的差异,从而分离目标和背景,提取出边界区域。与其他常用的边缘检测算子如Canny算子,Robert算子等相比,Sobel算子分离的边界线连续性较好。
Sobel算子包含水平方向和垂直方向两组3x3的矩阵,利用该算子滤波器逐行与图像像素点卷积,计算出水平方向和垂直方向的亮度差分值。如果以Gx与Gy分别代表经水平方向和垂直方向进行边缘检测的算子:
图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合,来计算梯度的大小。设(x,y)是原图像的一个像素点,则
然后可用以下公式计算梯度方向:
如果角度等于0,代表该像素点是垂直方向边界中的一点;如果角度接近90度,代表该像素点是水平方向边界的一点。Sobel算子对像素的位置进行了加权,因此有很强的抗干扰能力,所得图像的连续性也较好。图6是经过Sobel算子滤波后提取的脉搏波边界图像。可以看出,经过Sobel算子边缘检测后,目标区域与背景区域完全分离。
2、脉搏波包络线特征点跟踪
提取出脉搏信号的包络线以后,接下来的任务是要辨识出包络线上特征点的位置。传统方法通过微分运算得到包络线的极大值和极小值,不仅容易受到噪声的干扰,还很难判断该特征点是主波、潮波或者是重搏波。本发明提出一种利用多重门限阈值辨识脉搏波图像特征点的方法,利用搜索的方法找出候选特征点后,再利用设定的多门限阈值来分辨出特征点并进一步判断该特征点属于脉搏信号的具体阶段。原始脉搏波图像经过二值化和边缘检测等处理后,包络线在每一列像素上只有一个有效像素点。提取包络线的特征点算法分为两个步骤,首先搜索出每列像素的最大和最小值,作脉搏波候选特征点pixelList,然后定义主峰门限 和重搏波门限 来辨识脉搏信号的特征点,其中minRow和maxRow分别是脉搏信号目标区域的最低点行号和最高点行号。具体算法如下:
(a)遍历包络线的每一个像素,设第i列的像素为f(xi)。如果f(xi)>f(xi-1)且f(xi)>f(xi+1),就认为f(xi)是图像的一个候选特征点。
(b)如果f(xi)<f(xi-1)且f(xi)<f(xi+1),则认为候选特征点是重搏波波谷D。
(c)定义门限值 如果候选峰值点的 则候选峰值点是主波波峰A。如果候选峰值点的则候选点是潮波波峰B或者是重搏波波峰C。
(d)定义门限阈值 如果候选点的 则候选点是重搏波波峰C;反之,候选点是噪声点。峰值点跟踪后如图7所示。
图7的结果显示采用本发明的方法准确的检测到了脉搏波图像的主要特征点。利用多重门限阈值法将脉搏波信号的主峰波峰、重搏波波峰和波谷准确的检测出来,没有出现误检和漏检。在重搏波不太明显的时候,本发明的方法也能准确识别出重搏波的位置。
本发明提出了一种脉搏波图像包络线提取和特征点跟踪的方法,与传统的直接用边缘检测算法不同,该方法是先截取ROI有效区域,然后进行二值化,在新的ROI图像上用边缘检测的方法提取到脉搏波图像的包络线,最后用搜索脉搏波图像包络线最大纵坐标结合多重门限阈值的方法得到了脉搏波主波和谐波的波峰和波谷。
Claims (7)
1.一种脉搏波图像包络线提取和特征点跟踪的方法,其特征在于:所述方法包括脉搏波包络线的提取和脉搏波包络线特征点跟踪,先通过脉搏波ROI区域裁剪,最大类间方差阈值法二值化,形态学算法和Sobel算子边缘检测四个步骤提取出脉搏波图像的包络线,再利用多重门限阈值辨识和跟踪包络线上的特征点。
2.根据权利要求1所述的一种脉搏波图像包络线提取和特征点跟踪的方法,其特征在于:所述脉搏波ROI区域裁剪采用阈值化方法,超声诊断仪上采集的脉搏信号图像是256灰度级的彩色图片,具有红、绿、蓝三个通道,对红、绿、蓝三个通道设定对应的门限阈值t1、t2、t3,并设定图像的总分割阈值t,设r、g、b是当前图像对应的红、绿、蓝通道的灰度值,m是图像每一行像素的个数,对于每一行像素点,采用公式(1)和(2)进行计算;对于每一行像素点,如果计算所得的λ<t0,则认为该行是背景部分;反之,当λ>t0,则认为该行是目标部分;脉搏信号图像经过ROI区域裁剪处理后,目标与背景得到初步分离,其中公式(1)和(2)如下:
t0=t2(2)
3.根据权利要求1所述的一种脉搏波图像包络线提取和特征点跟踪的方法,其特征在于:所述最大类间方差阈值法二值化是在图像灰度直方图的基础上,分析和计算合适的阈值,使目标和背景两区域间的方差达到最大,使得目标区域增强,背景区域减弱,从而将图像分成目标和背景两区域;假设图像具有m级灰度级,灰度值i的像素数为ni,则总像素数为:可以计算出,每个像素的概率为:将N分C0{1~T}和C1{T+1~m}两组,
C0的产生的概率:
C1的产生的概率:
C0的平均值为:
C1的平均值为:
式中,是阈值为T时的灰度平均值,采样的灰度平均值是:
μ=w0μ0+w1μ1(7)
两组间的方差可用下式求出:
定义Tmax是使式(8)取得最大值所对应的T值,也就是最大类间方差法二值化的阈值。
4.根据权利要求1所述的一种脉搏波图像包络线提取和特征点跟踪的方法,其特征在于:所述形态学算法利用各种几何形状的结构算子作为形态滤波器,在图像的目标区域进行卷积滤波,增强目标区域和背景区域的差异性,选定具有特定半径R的圆盘形结构元素α(m)用来填充目标区域内部的孔洞;形态学中基本的膨胀、腐蚀定义:
设脉搏信号的离散数字序列为f(n),结构元素为α(m),且有n>m,则定义如下形态学算子:
膨胀算子:
n=M-1,M…N
膨胀算子:
n=0,1,…,N-M
经过形态学圆盘算子卷积处理后,脉搏波图像中间连通区域的孔洞被填充完整。
5.根据权利要求1所述的一种脉搏波图像包络线提取和特征点跟踪的方法,其特征在于:所述Sobel算子根据图像各个像素点的梯度,计算像素点和周围像素点的差异,从而分离目标和背景,提取出边界区域;Sobel算子包含水平方向和垂直方向两组3x3的矩阵,利用算子滤波器逐行与图像像素点卷积,计算出水平方向和垂直方向的亮度差分值;以Gx与Gy分别代表经水平方向和垂直方向进行边缘检测的算子:
图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合,来计算梯度的大小,设(x,y)是原图像的一个像素点,则
然后可用以下公式计算梯度方向:
经过Sobel算子边缘检测后,目标区域与背景区域完全分离。
6.根据权利要求1所述的一种脉搏波图像包络线提取和特征点跟踪的方法,其特征在于:所述脉搏波包络线特征点跟踪是先通过搜索找出特征点候选点后,再利用设定的多重门限阈值识别脉搏波图像的特征点,并判断该特征点属于脉搏信号的具体阶段;提取包络线的特征点算法分为两个步骤,首先搜索出每列像素的最大和最小值,作为脉搏波候选特征点pixelList,然后定义主峰门限 和重博波门限 来辨识脉搏信号的特征点,其中minRow和maxRow分别是脉搏信号目标区域的最低点行号和最高点行号。
7.根据权利要求6所述的一种脉搏波图像包络线提取和特征点跟踪的方法,其特征在于:所述提取包络线的特征点具体算法如下:
(1)遍历包络线的每一个像素,设第i列的像素为f(xi),若f(xi)>f(xi-1)且f(xi)>f(xi+1),就认为f(xi)是图像的一个候选特征点;
(2)若f(xi)<f(xi-1)且f(xi)<f(xi+1),则认为候选特征点是重搏波波谷D;
(3)定义门限 若候选特征点的 则候选特征点是主波波峰A,如果候选特征点的则候选特征点是潮波波峰B或者是重搏波波峰C;
(4)定义门限 如果候选点的 则候选特征点是重搏波波峰C;反之,候选特征点是噪声点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510416414.7A CN105105741A (zh) | 2015-07-15 | 2015-07-15 | 一种脉搏波图像包络线提取和特征点跟踪的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510416414.7A CN105105741A (zh) | 2015-07-15 | 2015-07-15 | 一种脉搏波图像包络线提取和特征点跟踪的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105105741A true CN105105741A (zh) | 2015-12-02 |
Family
ID=54654052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510416414.7A Pending CN105105741A (zh) | 2015-07-15 | 2015-07-15 | 一种脉搏波图像包络线提取和特征点跟踪的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105105741A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106333652A (zh) * | 2016-10-18 | 2017-01-18 | 首都医科大学 | 一种睡眠状态分析方法 |
CN107204001A (zh) * | 2016-03-16 | 2017-09-26 | 飞依诺科技(苏州)有限公司 | 一种颈动脉超声图像内中膜自动分割方法 |
CN107432736A (zh) * | 2017-06-06 | 2017-12-05 | 新绎健康科技有限公司 | 一种识别脉搏波形信号的方法 |
CN107564072A (zh) * | 2017-08-30 | 2018-01-09 | 无锡海鹰电子医疗系统有限公司 | 脉冲多普勒图像处理方法和装置 |
WO2018010107A1 (zh) * | 2016-07-13 | 2018-01-18 | 悦享趋势科技(北京)有限责任公司 | 判断脉搏波是否有效的方法及装置 |
CN107736880A (zh) * | 2017-10-24 | 2018-02-27 | 新绎健康科技有限公司 | 一种脉象分析方法及系统 |
CN108376245A (zh) * | 2018-02-02 | 2018-08-07 | 广西师范大学 | 基于ud通道的时空序列图像震源识别方法 |
CN109589101A (zh) * | 2019-01-16 | 2019-04-09 | 四川大学 | 一种基于视频的非接触式生理参数获取方法与装置 |
CN109938705A (zh) * | 2019-03-06 | 2019-06-28 | 珠海市万瑙特健康科技有限公司 | 三维脉波的显示方法、装置、计算机设备及存储介质 |
CN111956213A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 心电信号的qrs点检测方法 |
CN113361480A (zh) * | 2021-07-06 | 2021-09-07 | 浙江大学 | 基于人脸视频的人体脉搏波获取方法 |
CN113724208A (zh) * | 2021-08-13 | 2021-11-30 | 中山大学附属第八医院(深圳福田) | 一种血流频谱信号分类方法及系统 |
WO2022088478A1 (zh) * | 2020-10-26 | 2022-05-05 | 无锡祥生医疗科技股份有限公司 | 脉搏波速度的测量方法及超声设备 |
CN114664414A (zh) * | 2022-03-28 | 2022-06-24 | 中国人民解放军总医院第三医学中心 | 血流频谱包络线生成方法及装置、可读存储介质 |
WO2023130661A1 (zh) * | 2022-01-07 | 2023-07-13 | 乐普(北京)医疗器械股份有限公司 | 一种二维频谱多普勒超声心动图像的处理方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4883353A (en) * | 1988-02-11 | 1989-11-28 | Puritan-Bennett Corporation | Pulse oximeter |
JP2004000638A (ja) * | 2003-06-02 | 2004-01-08 | Shisei Deetamu:Kk | 血行動態測定装置、血行動態測定方法および記録媒体 |
CN102999916A (zh) * | 2012-12-12 | 2013-03-27 | 清华大学深圳研究生院 | 一种彩色图像的边缘提取方法 |
CN103027667A (zh) * | 2011-09-30 | 2013-04-10 | Ge医疗系统环球技术有限公司 | 脉搏波的特征参数提取 |
CN103488976A (zh) * | 2013-09-17 | 2014-01-01 | 北京联合大学 | 一种基于智能驾驶中停止线实时检测以及距离测量的方法 |
-
2015
- 2015-07-15 CN CN201510416414.7A patent/CN105105741A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4883353A (en) * | 1988-02-11 | 1989-11-28 | Puritan-Bennett Corporation | Pulse oximeter |
JP2004000638A (ja) * | 2003-06-02 | 2004-01-08 | Shisei Deetamu:Kk | 血行動態測定装置、血行動態測定方法および記録媒体 |
CN103027667A (zh) * | 2011-09-30 | 2013-04-10 | Ge医疗系统环球技术有限公司 | 脉搏波的特征参数提取 |
CN102999916A (zh) * | 2012-12-12 | 2013-03-27 | 清华大学深圳研究生院 | 一种彩色图像的边缘提取方法 |
CN103488976A (zh) * | 2013-09-17 | 2014-01-01 | 北京联合大学 | 一种基于智能驾驶中停止线实时检测以及距离测量的方法 |
Non-Patent Citations (1)
Title |
---|
夏钧,陶洪峰: "脉搏波图像的包络线提取与特征点跟踪", 《江南大学学报(自然科学版)》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107204001A (zh) * | 2016-03-16 | 2017-09-26 | 飞依诺科技(苏州)有限公司 | 一种颈动脉超声图像内中膜自动分割方法 |
CN107204001B (zh) * | 2016-03-16 | 2020-03-31 | 飞依诺科技(苏州)有限公司 | 一种颈动脉超声图像内中膜自动分割方法 |
WO2018010107A1 (zh) * | 2016-07-13 | 2018-01-18 | 悦享趋势科技(北京)有限责任公司 | 判断脉搏波是否有效的方法及装置 |
CN106333652B (zh) * | 2016-10-18 | 2019-10-29 | 首都医科大学 | 一种睡眠状态分析方法 |
CN106333652A (zh) * | 2016-10-18 | 2017-01-18 | 首都医科大学 | 一种睡眠状态分析方法 |
CN107432736A (zh) * | 2017-06-06 | 2017-12-05 | 新绎健康科技有限公司 | 一种识别脉搏波形信号的方法 |
CN107432736B (zh) * | 2017-06-06 | 2021-03-02 | 新绎健康科技有限公司 | 一种识别脉搏波形信号的方法 |
CN107564072A (zh) * | 2017-08-30 | 2018-01-09 | 无锡海鹰电子医疗系统有限公司 | 脉冲多普勒图像处理方法和装置 |
CN107564072B (zh) * | 2017-08-30 | 2020-10-16 | 无锡海鹰电子医疗系统有限公司 | 脉冲多普勒图像处理方法和装置 |
CN107736880A (zh) * | 2017-10-24 | 2018-02-27 | 新绎健康科技有限公司 | 一种脉象分析方法及系统 |
CN107736880B (zh) * | 2017-10-24 | 2024-01-30 | 新绎健康科技有限公司 | 一种脉象分析方法及系统 |
CN108376245A (zh) * | 2018-02-02 | 2018-08-07 | 广西师范大学 | 基于ud通道的时空序列图像震源识别方法 |
CN108376245B (zh) * | 2018-02-02 | 2022-02-11 | 广西师范大学 | 基于ud通道的时空序列图像震源识别方法 |
CN109589101B (zh) * | 2019-01-16 | 2020-08-21 | 四川大学 | 一种基于视频的非接触式生理参数获取方法与装置 |
CN109589101A (zh) * | 2019-01-16 | 2019-04-09 | 四川大学 | 一种基于视频的非接触式生理参数获取方法与装置 |
CN109938705A (zh) * | 2019-03-06 | 2019-06-28 | 珠海市万瑙特健康科技有限公司 | 三维脉波的显示方法、装置、计算机设备及存储介质 |
CN111956213A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 心电信号的qrs点检测方法 |
WO2022088478A1 (zh) * | 2020-10-26 | 2022-05-05 | 无锡祥生医疗科技股份有限公司 | 脉搏波速度的测量方法及超声设备 |
CN113361480A (zh) * | 2021-07-06 | 2021-09-07 | 浙江大学 | 基于人脸视频的人体脉搏波获取方法 |
CN113724208A (zh) * | 2021-08-13 | 2021-11-30 | 中山大学附属第八医院(深圳福田) | 一种血流频谱信号分类方法及系统 |
CN113724208B (zh) * | 2021-08-13 | 2023-06-06 | 中山大学附属第八医院(深圳福田) | 一种血流频谱信号分类方法及系统 |
WO2023130661A1 (zh) * | 2022-01-07 | 2023-07-13 | 乐普(北京)医疗器械股份有限公司 | 一种二维频谱多普勒超声心动图像的处理方法和装置 |
CN114664414A (zh) * | 2022-03-28 | 2022-06-24 | 中国人民解放军总医院第三医学中心 | 血流频谱包络线生成方法及装置、可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105105741A (zh) | 一种脉搏波图像包络线提取和特征点跟踪的方法 | |
CN104766046B (zh) | 一种利用交通标识颜色及形状特征进行检测与识别方法 | |
CN103914834B (zh) | 一种基于前景先验和背景先验的显著性物体检测方法 | |
CN102175693B (zh) | 医用药剂中可见异物的机器视觉检测方法 | |
WO2017092182A1 (zh) | 一种在超声影像中自动识别肝脏肿瘤类型的方法 | |
Shao et al. | A detection approach for solitary pulmonary nodules based on CT images | |
CN107330920A (zh) | 一种基于深度学习的监控视频多目标追踪方法 | |
CN103473530A (zh) | 基于多视图和多模态特征的自适应动作识别方法 | |
CN110490892A (zh) | 一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法 | |
CN106557774A (zh) | 多通道核相关滤波的实时跟踪方法 | |
CN107341812A (zh) | 一种基于超像素和密度聚类的序列肺结节图像分割方法 | |
CN108664838A (zh) | 基于改进rpn深度网络的端到端的监控场景行人检测方法 | |
CN102496023A (zh) | 像素层面的感兴趣区域提取方法 | |
CN106157279A (zh) | 基于形态学分割的眼底图像病变检测方法 | |
CN104123529A (zh) | 人手检测方法及系统 | |
CN103530892A (zh) | 一种基于Kinect传感器的双手跟踪方法与装置 | |
CN109766823A (zh) | 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法 | |
CN101782526A (zh) | 一种钢材韧窝图像的自动复原、测量分类方法及装置 | |
CN104809433A (zh) | 一种基于最大稳定区域和随机采样的斑马线检测方法 | |
CN105426895A (zh) | 基于马尔科夫模型的显著性检测方法 | |
CN106447670A (zh) | 基于电成像测井图像的孔洞参数自动计算方法 | |
CN107808384A (zh) | 基于网格化局部分水岭的模糊聚类方法 | |
CN104281837A (zh) | 结合卡尔曼滤波和相邻帧间roi扩大的行人跟踪方法 | |
CN110276784A (zh) | 基于记忆机制与卷积特征的相关滤波运动目标跟踪方法 | |
CN104463862B (zh) | 肾脏ct序列图像快速分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151202 |