CN105654481B - 基于深度相机的血管外渗漏情况的检测系统 - Google Patents
基于深度相机的血管外渗漏情况的检测系统 Download PDFInfo
- Publication number
- CN105654481B CN105654481B CN201511019554.7A CN201511019554A CN105654481B CN 105654481 B CN105654481 B CN 105654481B CN 201511019554 A CN201511019554 A CN 201511019554A CN 105654481 B CN105654481 B CN 105654481B
- Authority
- CN
- China
- Prior art keywords
- depth
- image
- point
- processing module
- characteristic 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于深度相机的血管外渗漏情况的检测系统,包括深度相机和处理模块,其中所述深度相机获取病人身上注射部位的彩色图像及深度图像;所述处理模块对深度相机先后获取的两帧图像进行配准,建立这两帧图像之间的像素信息和深度信息的对应关系,从而得出像素位置和深度变换模型;所述处理模块根据配准得出的像素位置和深度变换模型,将其中一帧图像的像素位置信息和深度信息映射到另一帧图像的同一坐标下;所述处理模块确定在注射部位形成的深度信息差异,根据差异的大小来判断是否存在鼓包。该检测系统能够快速而准确地检测出造影剂自动推注系统在使用时发生血管外渗漏的意外情况。
Description
技术领域
本发明涉及一种基于深度相机的血管外渗漏情况的检测系统。
背景技术
目前计算机断层成像设备(CT)在国内的应用相当普及,人体全身各部位都可以做断层扫描,成为医疗诊断上十分重要的工具。为增强病变组织与正常组织之间显示密度的差,使断层扫描图像更加清晰,需要静脉注射造影剂后立即或经过一定时间延迟再进行CT扫描,即为增强扫描。造影剂注射方法有护士手工静推造影剂和机器推注造影剂两种方法;传统的护士手工静推造影剂的方法已经远不能满足当前增强扫描技术的要求。手工静推造影剂存在的主要问题有:为了能推注造影剂达到尽快的速度,手工静推造影剂时通常要选择大号的穿刺针,大号的针头既增加了静脉穿刺的难度,又加重了病人的痛苦;手工静推造影剂推注造影剂最高的速度不到1mL/s,同许多新的增强技术要求的3mL/s左右相差甚远;由于是人力推注造影剂,一般情况下是人力推注完造影剂后才能开始CT扫描,而造影剂的增强强度随着时间逐渐减弱,为了保持血液中的造影剂溶度,人力推注造影剂推注的造影剂剂量要比机器推注造影剂剂量大。在有必要得到高质量的增强扫描图像时,要求护士推注造影剂时进行扫描,在扫描中护士被迫受到X线的辐射,做出了很大的牺牲。造影剂自动推注系统采用高压注射方法,通过合理地设置推注程序,可以在CT增强时随时的控制造影剂注射的速率及剂量,不仅克服了传统的护士手工静推造影剂的缺点和不足,还满足了当前各种类型的CT增强扫描设备的要求,带来了更多的有益效果,这使得它在CT技术中有着非常重要的意义。
虽然造影剂自动推注系统有着非常强大的功能,但是仍存在一个尚需解决的不足之处。当使用造影剂自动推注系统时,因为没有护士的监控,所以一旦出现意外情况,若不能及时的发现并制止,后果将非常严重。其中一种意外情况就是针头偏离出血管而造成的血管外渗漏的情况,这时造影剂会注射到血管外的组织里,产生一个皮肤上可见的鼓包。并且造影剂自动推注系统的注射速率是非常快的,若血管外渗漏现象没有及时被发现并制止的话,会对病人造成严重的伤痛。造影剂少量外泄可能造成局部组织肿胀并产生恶心,呕吐,红斑,疼痛和温热感等,而大量的造影剂外泄甚至可能造成皮肤溃疡、软组织坏死和间隔综合征等。
深度相机,是一种能提供三维交互信息的计算机视觉设备。三维交互技术的发展促使了一批新型的低成本的体感深度相机设备,如微软公司开发的Kinect相机,英特尔公司开发的realsense实感相机等。其中realsense实感相机主要具备三个摄像头,IR发射/接收摄像头是用来获取场景中的深度信息,IR摄像头通过结构光技术将反射回来的红外图像编码成深度信息,从而获得三维空间的信息;另外还有一个获得彩色图像的摄像头。目前深度相机的深度精度是很高的,Kinect相机的2至3米的工作距离内精度可以达到3毫米,而realsense实感相机的20到120厘米的工作距离内可以达到1毫米的精度。
现在虽然市场上有一些检测血管外渗漏的设备,但是其存在效果差,制作复杂,应用困难等问题。
发明内容
本发明的主要目的在于针对现有技术的不足,提供一种基于深度相机的血管外渗漏情况的检测系统,快速而准确地检测出造影剂自动推注系统在使用时发生血管外渗漏的意外情况。
为实现上述目的,本发明采用以下技术方案:
一种基于深度相机的血管外渗漏情况的检测系统,包括深度相机和处理模块,其中所述深度相机获取病人身上注射部位的彩色图像及深度图像;所述处理模块对深度相机先后获取的两帧图像进行配准,建立这两帧图像之间的像素信息和深度信息的对应关系,从而得出像素位置和深度变换模型;所述处理模块根据配准得出的像素位置和深度变换模型,将其中一帧图像的像素位置信息和深度信息映射到另一帧图像的同一坐标下;所述处理模块确定在注射部位形成的深度信息差异,根据差异的大小来判断是否存在鼓包。
进一步地:
所述位置和深度变换模型如式(1)所示:
其中,[x1 y1 z1]T、[x2 y2 z2]T分别表示一帧图像和另一帧图像中像素的位置信息和深度信息;R为旋转变换矩阵,T为平移变换矩阵。
所述处理模块在判断鼓包存在时控制造影剂推注系统停止注射,优选还发出警报。
所述处理模块采用基于特征点匹配的配准方法对两帧图像进行配准,其中用尺度不变特征变换算法(SIFT)或者其他相关的特征点算法来检测深度相机先后获取的两帧图像的特征点,并对两帧图像的特征点进行匹配;用随机一致性算法(RANSAC)去除两帧图像错误的匹配点对,得到正确匹配的特征点对;根据正确匹配的特征点对的位置和深度信息,得到它们之间的对应关系,计算出这两帧图像之间的像素位置和深度变换模型。
所述尺度不变特征变换算法(SIFT)检测两帧图像的特征点的过程包括:空间极值检测、特征点定位、分配特征点主方向和生成特征点描述子;其中所述空间极值检测对图像做高斯金字塔,用高斯差分函数检测出极值的位置,实现特征点初步定位;所述特征点定位在所述特征点初步定位的基础上,通过函数拟合及插值运算得出特征点的精确定位;所述分配特征点主方向基于图像梯度方向,为每个特征点分配一个或多个主方向;所述生成描述子在每个特征点的局部邻域内划分成的16个子区域内,计算每个子区域的梯度直方图,每个直方图得到8维的向量,最终得到16*8=128维向量,即特征点的描述子。
对两帧图像的特征点进行匹配的过程包括:计算出一帧图像的一个特征点与另一帧图像的所有特征点的欧氏距离,若最近距离与次近距离的比值小于设定的阈值,则认为这对特征点是匹配的。
所述处理模块采用基于3D点云的配准方法对两帧图像进行配准,其中用迭代最近点算法(ICP)计算两个3D点集相似度,由深度相机获取的深度图像中,每个像素值是场景中的一点与相机之间的距离,深度图像看作是一个3D点集;用迭代最近点算法对深度相机先后获取的两帧的深度图像做配准,得到这两帧图像之间的像素位置和深度变换模型。
所述迭代最近点算法(ICP)将一个3D点集不断地旋转平移后计算与另一个3D点集的距离平方和,在不断迭代的过程中,直到连续两次距离平方和之差的绝对值小于设定的阈值后停止迭代,得到两个3D点集之间的像素位置和深度变换模型。
所述处理模块将在注射部位形成的深度信息差异与设定的阈值进行比较,若差异的绝对值大于设定的阈值,则判断存在鼓包。
所述处理模块为计算机。
本发明的有益效果:
可以通过深度相机获取的深度信息快速而准确的检测出造影剂自动推注系统在使用时发生血管外渗漏的意外情况,从而将这种伤害减少到最低。
附图说明
图1为本发明的整体示意图,其中a为病人身上的注射部位,b为深度相机,c为计算机;
图2为本发明实施例中基于特征点匹配的配准方法的示意图;
图3a-图3c为本发明实施例中基于3D点云的配准方法的示意图;
图4a-图4c为通过图像配准将两帧图像映射在同一坐标下检测鼓包的示意图。
具体实施方式
以下对本发明的实施方式作详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
参阅图1,在一种实施例中,一种基于深度相机的血管外渗漏检测系统,包括深度相机和处理模块,其中处理模块可以是计算机。其中,深度相机不间断地获取病人身上的造影剂注射部位的彩色图像和深度图像;对相机获取的当前帧和一段时间之前的一帧做配准,建立这两帧之间的像素信息和深度信息的对应关系,得出像素位置和深度变换模型。通过这两帧图像的配准,将两帧图像置于统一的尺度上进行比较和判断,可以消除病人因移动身体而导致的注射部位在图像里的平移和旋转的问题,便于更精准检测鼓包。
根据深度相机可以获取到彩色图像和深度图像,由于深度相机在获取彩色图像的同时还获取了场景的深度信息,而在深度相机获取的深度图像中,鼓包有明显的几何形状特征,这有利于将其快速地检测出来。对于先后获取的两帧图像,即深度相机获取到的当前帧图像和一段时间之前的一帧图像,每一帧又包含彩色图像和深度图像,通过比较这两帧图像中的注射部位的差异,可以判断出是否存在鼓包。
处理模块进行图像配准可以采用两种方法:基于特征点匹配的配准方法和基于3D点云的配准方法。基于特征点匹配的配准方法是用尺度不变特征变换算法(SIFT)或者其他相关的特征点算法在两帧图像上检测出特征点,并计算出描述子,然后进行匹配,用随机一致性算法(RANSAC)去除错误匹配点后,得到正确匹配的特征点对,由这些特征点对的像素信息和深度信息得到它们之间的对应关系并计算出像素位置和深度变换模型。基于3D点云的配准方法是应用迭代最近点算法(ICP),ICP算法是一种计算两个3D点集相似度的方法,可用于3D点云配准;由深度相机获取的深度图像,每一个像素点包含位置信息和深度信息,可以看成一个3D点集;用ICP算法对深度相机获取的两帧图像做配准,可以直接得到它们之间的像素位置和深度变换模型。
根据配准得出的像素位置和深度变换模型,将其中一帧图像的像素位置信息和深度信息映射到另一帧图像的坐标下,然后比较注射部位的深度差异,由差异的大小来判断是否存在鼓包。一旦检测出存在鼓包,则计算机立即控制造影剂自动推注系统停止注射并进行警报。
由图1所示,将深度相机b对准病人身上的造影剂注射部位a,当造影剂自动推注系统开始工作时,深度相机持续的获取注射部位的彩色图像和深度图像;然后采用基于特征点匹配的配准方法或者基于3D点云的配准方法对深度相机获取的当前帧和一段时间之前的一帧做配准。
基于特征点匹配的配准方法如图2所示。图2中b1表示深度相机刚刚获取到的当前帧的彩色图像,a1表示在当前帧前一段时间的一帧彩色图像;用基于尺度不变特征变换算法(SIFT)对图像a1和b1进行配准。SIFT是一种图像局部特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持一定程度的鲁棒性。SIFT算法主要包括四个步骤:空间极值检测、特征点定位、分配特征点主方向和生成特征点描述子。空间极值检测是首先对图像做高斯金字塔,用高斯差分函数在所有的尺度上检测出极值的位置,即特征点初步定位;特征点定位是在上述的特征点初步定位的基础上,通过函数拟合及插值运算得出特征点的精确定位;分配主方向是基于图像局部的梯度方向,分配给每个特征点一个或多个主方向;所有后面的对图像数据的操作都相对于特征点的方向、尺度和位置进行变换,从而提供对于这些变换的不变性;生成描述子是在每个特征点的局部邻域内划分成的16个子区域内,计算每个子区域的梯度直方图,每个直方图得到8维的向量,最终得到16*8=128维向量,即特征点的描述子。匹配时计算出一帧图像的一个特征点与另一帧图像的所有特征点的欧氏距离,若最近距离与次近距离的比值小于设定的阈值,则认为这对特征点是匹配的。配准的具体步骤如下:提取图像a1和b1的SIFT特征并进行匹配,用随机一致性算法(RANSAC)去除错误匹配的特征点对;RANSAC算法是根据一组包含异常数据的样本数据集,计算出数据的数学模型参数,得到有效样本数据的算法;由正确匹配的特征点对的像素位置信息和深度信息得到它们之间的对应关系,计算出两帧图像之间的像素位置和深度变换模型。
基于3D点云的配准方法如图3a至图3c所示。图3a表示在当前帧前一段时间的一帧的深度图像。图3b表示深度相机刚刚获取到的当前帧的深度图像。由深度相机获取的深度图像中,每个像素值是场景中的一点与相机之间的距离,所以深度图像可以看作是一个3D点集。迭代最近点算法(ICP)是一种计算两个3D点集相似度的算法,可以用于两个3D点集的配准。ICP算法是通过把一个3D点集不断地旋转平移后计算与另一个3D点集的距离平方和,在不断迭代的过程中,直到连续两次距离平方和之差的绝对值小于设定的阈值后停止迭代,并得到两个3D点集之间的像素位置和深度变换模型。如图3c所示,使用ICP算法对图3a和图3b所示图像进行配准,得到它们的对应关系,得出像素位置和深度变换模型。
由上述的图像配准得到的两帧图像之间的位置和深度信息的对应关系,像素位置和深度变换模型如公式(1)所示:
其中,[x1 y1 z1]T、[x2 y2 z2]T分别表示一帧图像和另一帧图像中像素的位置信息和深度信息;R为旋转变换矩阵,T为平移变换矩阵。
通过图像配准检测鼓包如图4a至图4c所示。将图4a的图像通过像素位置和深度变换模型映射到与图4b的图像标准统一的坐标下,得到图4c的图像,比较图4c的图像与图4b的图像中在注射部位形成的深度信息差异,若差异的绝对值大于设定的阈值,即表示存在鼓包。
若检测出存在鼓包,计算机立即控制造影剂自动推注系统停止注射并进行警报。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,其还可以对这些已描述的实施方式做出若干替代或变型,而这些替代或变型方式都应当视为属于本发明的保护范围。
Claims (9)
1.一种基于深度相机的血管外渗漏情况的检测系统,其特征在于:包括深度相机和处理模块,其中所述深度相机用于获取病人身上注射部位的图像,每一帧图像包括彩色图像及深度图像;所述处理模块对深度相机先后获取的两帧图像中的彩色图像和深度图像进行配准,建立这两帧图像之间的像素信息和深度信息的对应关系,从而得出像素位置和深度变换模型;所述处理模块根据配准得出的像素位置和深度变换模型,将其中一帧图像的像素位置信息和深度信息映射到另一帧图像的同一坐标下;所述处理模块确定在注射部位形成的深度信息差异,根据差异的大小来判断是否存在鼓包;所述位置和深度变换模型如式(1)所示:
其中,[x1 y1 z1]T、[x2 y2 z2]T分别表示一帧图像和另一帧图像中像素的位置信息和深度信息;R为旋转变换矩阵,T为平移变换矩阵;
所述处理模块将在注射部位形成的深度信息差异与设定的阈值进行比较,若差异的绝对值大于设定的阈值,则判断存在鼓包。
2.权利要求1所述的检测系统,其特征在于:所述处理模块在判断鼓包存在时控制造影剂推注系统停止注射。
3.权利要求1所述的检测系统,其特征在于:所述处理模块在控制造影剂推注系统停止注射时还发出警报。
4.权利要求1所述的检测系统,其特征在于:所述处理模块采用基于特征点匹配的配准方法对两帧彩色图像进行配准,其中用尺度不变特征变换算法(SIFT)来检测深度相机先后获取的两帧彩色图像的特征点,并对两帧彩色图像的特征点进行匹配;用随机一致性算法(RANSAC)去除两帧彩色图像错误的匹配点对,得到正确匹配的特征点对;根据正确匹配的特征点对的位置信息,得到它们之间的对应关系,计算出这两帧彩色图像之间的像素位置变换模型。
5.如权利要求4所述的检测系统,其特征在于:所述尺度不变特征变换算法(SIFT)检测两帧彩色图像的特征点的过程包括:空间极值检测、特征点定位、分配特征点主方向和生成特征点描述子;其中所述空间极值检测对彩色图像做高斯金字塔,用高斯差分函数检测出极值的位置,实现特征点初步定位;所述特征点定位在所述特征点初步定位的基础上,通过函数拟合及插值运算得出特征点的精确定位;所述分配特征点主方向基于图像梯度方向,为每个特征点分配一个或多个主方向;所述生成特征点描述子在每个特征点的局部邻域内划分成的16个子区域内,计算每个子区域的梯度直方图,每个直方图得到8维的向量,最终得到16*8=128维向量,即特征点描述子。
6.如权利要求4或5所述的检测系统,其特征在于:对两帧彩色图像的特征点进行匹配的过程包括:计算出一帧彩色图像的一个特征点与另一帧彩色图像的所有特征点的欧氏距离,若其中最近距离与次近距离的比值小于设定的阈值,则认为最近距离的这对特征点对是匹配的。
7.如权利要求1所述的检测系统,其特征在于:所述处理模块采用基于3D点云的配准方法对两帧深度图像进行配准,其中用迭代最近点算法(ICP)计算两个3D点集相似度,由深度相机获取的深度图像中,每个像素值是场景中的一点与相机之间的距离,深度图像看作是一个3D点集;用迭代最近点算法(ICP)对深度相机先后获取的两帧的深度图像做配准,得到这两帧深度图像之间的深度变换模型。
8.如权利要求7所述的检测系统,其特征在于:所述迭代最近点算法(ICP)将一个3D点集不断地旋转平移后计算与另一个3D点集的距离平方和,在不断迭代的过程中,直到连续两次距离平方和之差的绝对值小于设定的阈值后停止迭代,得到两个3D点集之间的深度变换模型。
9.如权利要求1至5任一项所述的检测系统,其特征在于:所述处理模块为计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511019554.7A CN105654481B (zh) | 2015-12-29 | 2015-12-29 | 基于深度相机的血管外渗漏情况的检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511019554.7A CN105654481B (zh) | 2015-12-29 | 2015-12-29 | 基于深度相机的血管外渗漏情况的检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105654481A CN105654481A (zh) | 2016-06-08 |
CN105654481B true CN105654481B (zh) | 2019-03-08 |
Family
ID=56478448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511019554.7A Active CN105654481B (zh) | 2015-12-29 | 2015-12-29 | 基于深度相机的血管外渗漏情况的检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105654481B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108742159B (zh) * | 2018-04-08 | 2021-01-15 | 徐育 | 基于rgb-d相机的饮水机智能控制装置及其控制方法 |
CN110458836A (zh) * | 2019-08-16 | 2019-11-15 | 深圳开立生物医疗科技股份有限公司 | 一种超声造影成像方法、装置和设备及可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021547A (zh) * | 2014-05-17 | 2014-09-03 | 清华大学深圳研究生院 | 肺部 ct 的三维配准方法 |
-
2015
- 2015-12-29 CN CN201511019554.7A patent/CN105654481B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021547A (zh) * | 2014-05-17 | 2014-09-03 | 清华大学深圳研究生院 | 肺部 ct 的三维配准方法 |
Non-Patent Citations (3)
Title |
---|
Surface-based 3-D image registration using the Iterative Closest Point algorithm with a closest point transform;Yaorong Ge等;《Medical Imaging》;19961231;第359-367页 |
基于图像匹配的血管外渗漏检测;刘坤涛等;《医疗卫生装备》;20121130;第33卷(第11期);第23-25页 |
用于三维重建的点云单应性迭代最近点配准算法;韦盛斌等;《光学学报》;20150531;第35卷(第5期);第05150031-05150037页 |
Also Published As
Publication number | Publication date |
---|---|
CN105654481A (zh) | 2016-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056537B (zh) | 一种医学图像拼接方法及装置 | |
US10438363B2 (en) | Method, apparatus and program for selective registration three-dimensional tooth image data to optical scanning tooth model | |
Giancardo et al. | Textureless macula swelling detection with multiple retinal fundus images | |
CN103181775B (zh) | 用于检测病人体标位置的方法和系统 | |
CN107909622B (zh) | 模型生成方法、医学成像的扫描规划方法及医学成像系统 | |
CN107789001A (zh) | 一种用于成像扫描的摆位方法和系统 | |
CN104268846A (zh) | 图像拼接方法及装置 | |
CN103561655B (zh) | 医用图像诊断装置、医用图像处理装置以及方法 | |
CN103886621A (zh) | 一种自动提取床板的方法 | |
CN100507945C (zh) | Ct胶片扫描图像中断层图像的分割方法 | |
CN109242947B (zh) | 三维超声图像显示方法 | |
CN105654481B (zh) | 基于深度相机的血管外渗漏情况的检测系统 | |
CN104658034B (zh) | Ct图像数据的融合绘制方法 | |
CN108805939A (zh) | 基于统计学特征的三目视觉系统的标定装置及方法 | |
Xiang et al. | Exemplar-based depth inpainting with arbitrary-shape patches and cross-modal matching | |
WO2011041473A1 (en) | Medical image analysis system for anatomical images subject to deformation and related methods | |
CN113689337B (zh) | 一种基于生成对抗网络的超声图像超分辨率重建方法及系统 | |
CN106456097A (zh) | 图像处理装置以及图像处理方法 | |
Benalcazar et al. | A 3D iris scanner from multiple 2D visible light images | |
JPH0759763A (ja) | 3次元物体計測装置 | |
CN108876783B (zh) | 图像融合方法及系统、医疗设备和图像融合终端 | |
CN107292351B (zh) | 一种结节的匹配方法及装置 | |
Choe et al. | 2-D registration and 3-D shape inference of the retinal fundus from fluorescein images | |
CN113269732B (zh) | 一种基于特征扫描图像的线性物体检测方法 | |
Su et al. | An automatic calibration system for binocular stereo imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |