CN106204546A - 静脉窦的分割方法 - Google Patents

静脉窦的分割方法 Download PDF

Info

Publication number
CN106204546A
CN106204546A CN201610503562.7A CN201610503562A CN106204546A CN 106204546 A CN106204546 A CN 106204546A CN 201610503562 A CN201610503562 A CN 201610503562A CN 106204546 A CN106204546 A CN 106204546A
Authority
CN
China
Prior art keywords
connected domain
venous sinus
place
dividing method
threshold value
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
Application number
CN201610503562.7A
Other languages
English (en)
Inventor
王晓东
毛玉妃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN201610503562.7A priority Critical patent/CN106204546A/zh
Publication of CN106204546A publication Critical patent/CN106204546A/zh
Priority to PCT/CN2017/088276 priority patent/WO2018001099A1/zh
Priority to US15/663,909 priority patent/US10357218B2/en
Priority to US16/517,961 priority patent/US11344273B2/en
Priority to US17/654,598 priority patent/US20220192617A1/en
Pending legal-status Critical Current

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
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种静脉窦的分割方法，包括如下步骤：输入医学图像，所述医学图像包含静脉窦和若干血管所在的大脑区域；膨胀所述大脑区域获取第一掩膜，腐蚀所述大脑区域获取第二掩膜，将所述第一掩膜和第一掩膜相减获取减影图像，所述减影图像包含若干个连通域；在所述若干个连通域中，确定所述静脉窦所在的连通域；以所述静脉窦所在的连通域作为起始区域，沿第一方向进行区域生长获取所述静脉窦。本技术方案可快速、有效地确定静脉窦位置，进而分割完整的静脉窦。

Description

静脉窦的分割方法
【技术领域】
本发明涉及医学图像处理领域，特别是涉及一种静脉窦的分割方法。
【背景技术】
血管成像技术包括CT血管造影(CTA，CT angiography)，磁共振血管造影(Magnetic Resonance Angiography，MRA)，以及MR非造影成像等，可以帮助医生诊断血管的各种疾病，如钙化、狭窄、动脉瘤、硬脑膜静脉窦等。硬脑膜静脉窦疾病是一类医生关注的血管疾病，如静脉窦血栓，硬脑膜动静脉瘘等。为便于医生的诊断，单独分割这部分血管以供医生观察、测量和诊断。另一方面，在血管造影时，由于造影剂的流动，使得在脑部血管造影时，静脉窦也会显影。当医生进行脑内血管诊断而非静脉窦时，包裹在大脑表面的静脉窦会遮挡脑内血管，妨碍医生对于脑内血管的观察和操作。因此需要在已提取的血管树中将静脉窦分割出来单独显示，以避免遮挡。
现有技术中，血管提取的方法主要有：采用模型的方式，建立血管的管状结构模型。这种方法需要在待提取的每条血管上寻找种子点，适用于提取主要的分叉很少的动脉血管，而不适用于树状或网状结构的血管，因静脉窦为非管状结构，因此该方法无法有效提取静脉窦。还有基于解剖学先验知识，建立数学模型，采用迭代计算方式，并结合分水岭分割方法，最终分割出静脉窦。但是此种方法需要依赖同一病人的多种磁共振(MRI)图像，例如T1MRI图像与TOF MRA图像同时存在，且迭代计算过程非常繁琐。
因此，有必要对现有的静脉窦的分割方法进行改进。
【发明内容】
本发明所要解决的技术问题提出一种静脉窦的分割方法，其能有效改进现有静脉窦的分割方法，获取完整的静脉窦。
本发明为解决上述技术问题所采用的技术方案为一种静脉窦的分割方法，包括如下步骤：
输入医学图像，所述医学图像包含静脉窦和若干血管所在的大脑区域；
以阈值a为宽度膨胀所述大脑区域获取第一掩膜，以阈值b为宽度腐蚀所述大脑区域获取第二掩膜，将所述第一掩膜和第一掩膜相减获取减影图像，所述减影图像包含若干个连通域；
在所述若干个连通域中，确定所述静脉窦所在的连通域；
以所述静脉窦所在的连通域作为起始区域，沿第一方向进行区域生长获取所述静脉窦。
优选的，确定所述静脉窦所在的连通域的方法包括：
选取所减影图像中任一个连通域进行条件判定，如满足以下任一条件，则该连通域为所述静脉窦所在的连通域：
该连通域的体积大于第一阈值；或者，
该连通域的体积大于第二阈值；或者，
该连通域的体积大于第三阈值，且位于大脑区域的顶部。
优选的，所述第一阈值、第二阈值和第三阈值的大小依次递减。
优选的，确定所述静脉窦所在的连通域的方法还包括：计算该连通域内贴近颅骨的体素点个数与体素点总数的比值大于阈值a，则该连通域为所述静脉窦所在的连通域。
优选的，确定所述静脉窦所在的连通域的方法还包括：计算该连通域内与背景距离小于阈值b的体素点个数与体素点总数的比值，若所述比值大于阈值c，则该连通域为所述静脉窦所在的连通域。
优选的，确定所述静脉窦所在的连通域的方法还包括：选取所减影图像中任一个连通域作位置判定，如该连通域位于第一区域，如该连通域位于第一区域，则标记该连通域为血管；否则，该连通域进行所述条件判断。
优选的，所述第一区域为所述大脑区域的前下方。
优选的，还包括对减影图像包含若干个连通域以阈值d为宽度进行腐蚀操作。
优选的，其特征在于，还包括以阈值e为宽度对所述静脉窦所在的连通域进行膨胀操作。
优选的，其特征在于，所述第一方向为大脑区域重心指向静脉窦所在连通域的方向。
与现有技术相比，本发明的优点在于：以大脑分割为基础，根据以阈值a为宽度膨胀所述大脑区域获取第一掩膜，以阈值b为宽度腐蚀所述大脑区域获取第二掩膜获取的减影图像初步识别静脉窦所在的区域；基于静脉窦的尺寸、空间构型、空间位置等与脑血管的差异特性进行条件判定，区分相互粘连和覆盖的静脉窦与其它脑血管；以静脉窦所在连通域为起始区域进行区域生长，得到完整的静脉窦。
【附图说明】
图1为本发明一实施例中静脉窦的分割方法流程图；
图2为本发明又一实施例中静脉窦的分割方法流程图；
图3a为本发明一实施例中分割静脉窦前的结果示意图；
图3b为本发明一实施例中分割静脉窦后的结果示意图。
【具体实施方式】
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。
其次，本发明利用示意图进行详细描述，在详述本发明实施例时，为便于说明，所述示意图只是实施例，其在此不应限制本发明保护的范围。使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图和实施例对本发明的具体实施方式做详细的说明。
本实施例采用一种静脉窦的分割方法如图1所示，包括如下步骤：
S11：输入医学图像，所述医学图像包含静脉窦和若干血管所在的大脑区域；本实施例中，所述医学图像可以通过CT血管造影(CTA)，磁共振血管造影(MRA)等血管造影成像技术，以及MR非造影成像获取。所述医学图像可以是三维序列图像，其中包含若干个二维切片图像。所述大脑区域包括静脉窦、脑中动脉、脑前动脉和脑后动脉等血管区域，以及颅骨、枕骨等骨头组织区域。由于造影剂显影作用，静脉窦在所述医学图像上与其他血管或血管树的强度值相近，空间上有部分覆盖、叠加，影响医生对静脉窦的诊断，或者对其他脑内动脉血管的检测。
S12：膨胀所述大脑区域获取第一掩膜，腐蚀所述大脑区域获取第二掩膜，将所述第一掩膜和第一掩膜相减获取减影图像。所述减影图像包含若干个连通域。
由于静脉窦在空间位置上紧贴颅骨边缘生长，可以通过所述减影图像初步定位包含有静脉窦所在区域的减影图像，该区域一般呈环状区域。所述减影图像中还包括其它脑动脉等血管组织。本实施例中，所述膨胀是针对大脑区域以一定宽度，例如5mm、10mm或者20mm，或者根据大脑区域长径比例，例如5％选取，沿大脑重心指向颅骨方向(即向大脑区域以外方向)扩张获取所述第一掩膜，所述腐蚀是针对大脑区域以一定为宽度，例如5mm、10mm或者20mm，或者根据大脑区域长径比例，例如5％选取，然后沿大脑区域内部方向收缩获取所述第二掩膜。所述减影图像为包含若干个连通域的二值化图像，所述连通域可以为静脉窦，大脑动脉，或者各类血管的粘连、缠绕构成的二值化图像。在一些实施例中，为避免血管之间的粘连、缠绕，可以对各个连通域以阈值d进行腐蚀操作，便于后续连通域的判定，本实施例中，阈值d选取为1-2个体素点。
S13、在所述减影图像的若干个连通域中，确定所述静脉窦所在的连通域。如前述步骤，所述减影图像包含若干个连通域，该连通域可以为静脉窦，大脑动脉等血管组织。由于静脉窦与其它脑血管组织在空间位置、形态、尺寸等方面有一定差异，例如空间位置上，静脉窦紧贴颅骨边缘生长，静脉窦有一部分空间走向位于大脑顶部并贴近颅骨边缘；形态上，静脉窦分叉较少，并且为非细长型；尺寸上静脉窦在图像上是体积较大的三维连通域，在一些实施例中可达2000m3以上。因此可以设定根据静脉窦与其它脑血管的差异特性作条件判定，以区分相互粘连和覆盖的静脉窦与其它脑血管，例如满足形状、尺寸任一条件或组合条件，即可确定静脉窦所在的连通域。
S14：以所述静脉窦所在的连通域作为起始区域，沿第一方向进行区域生长获取所述静脉窦。由于前述步骤中的操作使得所述静脉窦所在的连通域并非完整的静脉窦。例如，步骤S12中，获取所述减影图像中可能缺失部分静窦脉，并且腐蚀和膨胀操作为不可逆操作，具有尖锐边缘的静窦脉的部分区域经过腐蚀和膨胀操作后无法完全复原。又例如，由于扫描区域的设定，使得获取图像中缺失部分静脉窦等。因此本步骤中，以所述静脉窦所在的连通域作为起始区域进行区域生长，直至所述静脉窦所在连通域中沿第一方向生长的血管连通域的形态或体积对比医学图像中在对应区域中所提取的血管连通域的形态或体积一致，则停止生长，获取完整的静脉窦。进一步的，根据静脉窦空间位置走向，所述第一方向优选为沿大脑区域重心指向静脉窦所在连通域的方向，即向大脑区域以外的方向生长获取完整的静脉窦图像。
为使本发明的上述目的、特征和优点能够更加明显易懂，本发明还提供一静脉窦的分割方法的实施例，下面结合图2和图3所示作详细说明。
S21，输入医学图像。本实施例中，所述医学图像可以为包含大脑区域CTA图像，所述大脑区域基于一种或多种算法，包括阈值法、区域生长法、基于能量函数的方法、水平集方法、区域分割和/或合并、边缘跟踪分割法、统计模式识别方法、均值聚类分割法、模型法、基于可变形模型的分割法、人工神经网络方法、最小路径分割法、跟踪法、基于规则的分割法、耦合表面分割法等，或者上述分割方法的任意组合获取大脑区域，所述大脑区域包括完整的血管组织。该血管组织包括静脉窦、脑前动脉、脑中动脉等各类血管。
S22，膨胀所述大脑区域获取第一掩膜，宽度腐蚀所述大脑区域获取第二掩膜，将所述第一掩膜和第一掩膜相减获取减影图像。所述减影图像包括若干个连通域。所述若干个连通域可以为静脉窦，大脑动脉等血管组织。因此需要确定静脉窦所在的连通域。本实施例中，选取20mm宽度膨胀所述大脑区域，选取10mm宽度腐蚀所述大脑区域。
S23，对所述减影图像包含的若干个连通域以阈值d为宽度进行腐蚀操作。由于空间形态上血管之间可能产生粘连，在掩膜图像上呈现为若干个连通域之间有粘连；又如步骤S22中膨胀和腐蚀操作过程中也可能使得获取的若干个连通域之间有粘连，为了提高后续条件判定的准确性，需要对各连通域进行腐蚀操作以消除粘连情况。本实施例中，所述阈值d选取为1-2个体素点。
下面详细描述通过位置判定，条件判定确定所述静脉窦所在的连通域。
S24，对所述若干个连通域进行位置判定。选取所述减影图像中任一个连通域进行位置判定，如该连通域位于第一区域，则标记该连通域为血管。例如，所述第一区域为所述大脑区域的前下方。根据大脑构成，位于大脑前下方为动脉血管穿颅区域，可以排除为静脉窦，标记该连通域为血管。因此，可以通过大脑区域中各血管的位置特性排除非静脉窦的连通域。
S25～S26，对所述若干个连通域进行条件判定，获取所述静脉窦所在的连通域。选取所减影图像中任一个连通域进行条件判定，如满足条件判定，则该连通域为所述静脉窦所在的连通域；否则标记该连通域为血管。
本实施例中，选取通过位置判定筛选的候选连通域作进一步的条件判定。如满足以下任一条件或条件组合的判定，则该连通域为所述静脉窦所在的连通域：
该连通域的体积大于第一阈值，该条件是基于静脉窦部分区域在空间尺寸粗壮的尺寸特性确定静脉窦所在连通域，所述第一阈值可以为200-5000mm3，本实施例中优选为2000mm3。
或者，该连通域的体积大于第二阈值，且形状为非细长型，该条件是基于静脉窦部分区域在空间尺寸上与脑动脉相近，但是形态上区别于脑动脉血管的细长型结构，可以通过结合体积和形态判定静脉窦所在的连通域。所述第二阈值可以为500mm3。
或者，该连通域的体积大于第三阈值，且位于大脑区域的顶部。基于静脉窦末端区域空间体积较小，但是一般位于大脑区域顶部，可以通过空间位置判定静脉窦末端。所述第三阈值可以为250mm3。
本实施例中，所述第一阈值、第二阈值和第三阈值为经验值。所述第一阈值、第二阈值和第三阈值的大小可以依次递减。
确定所述静脉窦所在的连通域的方法还包括：计算该连通域内贴近颅骨的像素点个数与像素点总数的比值，，若所述比值大于阈值a，则该连通域为所述静脉窦所在的连通域。本实施例中，所述阈值a为大于50％的常数，优选的，所述阈值a可以为80％。或者，确定所述静脉窦所在的连通域的方法还包括：计算该连通域内与背景距离小于阈值b的体素点数与总数的比值大于阈值c，则该连通域为所述静脉窦所在的连通域，所述阈值b选取0-20mm，例如所述阈值b可以为10mm；所述阈值c为大于50％的常数，优选的，所述阈值c可以选取80％。所述距离可以是该体素点与所述大脑区域与背景区域边界的距离。该两种判定条件是基于静脉窦在空间走向是贴近颅骨生长，医学图像上显示是靠近背景区域，远离大脑中央区域，从而确定所述静脉窦所在的连通域。
需要说明的是，本实施例中所采用的条件判定并不限于上述所列方法，基于静脉窦形态、空间位置和尺寸等特性与大脑其它血管的差异性来确定所述静脉窦所在的连通域均应包含在本发明的保护范围之内。
因前述步骤中，膨胀、腐蚀等不可逆操作，以及扫描区域的限定，大脑分割方法的限制，往往获取的并不是完整的静脉窦，因此需要下述步骤处理所述静脉窦所在的连通域，以获取完整的静脉窦。
S27，以阈值e为宽度对所述静脉窦所在的连通域进行膨胀操作，以恢复部分因前述步骤中为消除连通域之间的粘连而作的腐蚀操作而丢失的部分静脉窦区域。本实施例中，所述阈值e选取为1-2个体素点。
S28，以膨胀后的连通域作为起始区域，沿大脑区域重心指向静脉窦所在连通域的方向进行区域生长获取完成的静脉窦。如图3a和3b所示是静脉窦分割前后的CTA图像所示，通过本实施例提供的方法，可以有效分割完整的静脉窦。
综上所述，本发明提供一种静脉窦的分割方法，以大脑分割为基础，根据以阈值a为宽度膨胀所述大脑区域获取第一掩膜，以阈值b为宽度腐蚀所述大脑区域获取第二掩膜获取的减影图像初步识别静脉窦所在的区域；基于静脉窦的尺寸、空间构型、空间位置等与脑血管的差异特性进行条件判定，区分相互粘连和覆盖的静脉窦与其它脑血管；以静脉窦所在连通域为起始区域进行区域生长，得到完整的静脉窦。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种静脉窦的分割方法，其特征在于，包括如下步骤：
输入医学图像，所述医学图像包含静脉窦和若干血管所在的大脑区域；
膨胀所述大脑区域获取第一掩膜，腐蚀所述大脑区域获取第二掩膜，将所述第一掩膜和第一掩膜相减获取减影图像，所述减影图像包含若干个连通域；
在所述若干个连通域中，确定所述静脉窦所在的连通域；
以所述静脉窦所在的连通域作为起始区域，沿第一方向进行区域生长获取所述静脉窦。
2.根据权利要求1所述的分割方法，其特征在于，确定所述静脉窦所在的连通域的方法包括：
选取所述减影图像中的任一个连通域进行条件判定，如满足以下任一条件，则该连通域为所述静脉窦所在的连通域：
该连通域的体积大于第一阈值；或者，
该连通域的体积大于第二阈值，并且为非细长型形态；或者，
该连通域的体积大于第三阈值，且位于大脑区域顶部并且贴近颅骨边缘。
3.根据权利要求2所述的分割方法，其特征在于，所述第一阈值、第二阈值和第三阈值的大小依次递减。
4.根据权利要求2所述的分割方法，其特征在于，确定所述静脉窦所在的连通域的方法还包括：计算该连通域内贴近颅骨的体素点个数与体素点总数的比值，若所述比值大于阈值a，则该连通域为所述静脉窦所在的连通域。
5.根据权利要求2所述的分割方法，其特征在于，确定所述静脉窦所在的连通域的方法还包括：计算该连通域内与背景距离小于阈值b的体素点个数与体素点总数的比值，若所述比值大于阈值c，则该连通域为所述静脉窦所在的连通域。
6.根据权利要求2所述的分割方法，其特征在于，确定所述静脉窦所在的连通域的方法还包括：选取所述减影图像中任一个连通域进行位置判定，如该连通域位于第一区域，则标记该连通域为血管；否则，该连通域进行所述条件判断。
7.根据权利要求6所述的分割方法，其特征在于，所述第一区域为所述大脑区域的前下方。
8.根据权利要求1所述的分割方法，其特征在于，还包括对所述减影图像包含的若干个连通域以阈值d为宽度进行腐蚀操作。
9.根据权利要求1所述的分割方法，其特征在于，还包括以阈值e为宽度对所述静脉窦所在的连通域进行膨胀操作。
10.根据权利要求1所述的分割方法，其特征在于，所述第一方向为大脑区域重心指向静脉窦所在连通域的方向。
CN201610503562.7A 2016-06-30 2016-06-30 静脉窦的分割方法 Pending CN106204546A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201610503562.7A CN106204546A (zh) 2016-06-30 2016-06-30 静脉窦的分割方法
PCT/CN2017/088276 WO2018001099A1 (zh) 2016-06-30 2017-06-14 一种血管提取方法与系统
US15/663,909 US10357218B2 (en) 2016-06-30 2017-07-31 Methods and systems for extracting blood vessel
US16/517,961 US11344273B2 (en) 2016-06-30 2019-07-22 Methods and systems for extracting blood vessel
US17/654,598 US20220192617A1 (en) 2016-06-30 2022-03-14 Methods and systems for extracting blood vessel

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610503562.7A CN106204546A (zh) 2016-06-30 2016-06-30 静脉窦的分割方法

Publications (1)

Publication Number Publication Date
CN106204546A true CN106204546A (zh) 2016-12-07

Family

ID=57463772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610503562.7A Pending CN106204546A (zh) 2016-06-30 2016-06-30 静脉窦的分割方法

Country Status (1)

Country Link
CN (1) CN106204546A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109754388A (zh) * 2018-12-04 2019-05-14 众安信息技术服务有限公司 一种颈动脉狭窄程度计算方法、装置及存储介质
CN112529918A (zh) * 2020-12-23 2021-03-19 沈阳东软智能医疗科技研究院有限公司 一种脑部ct图像中脑室区域分割的方法、装置及设备
CN114529533A (zh) * 2022-02-22 2022-05-24 深圳市澈影医生集团有限公司 一种mra脑部图像的自动分析系统及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101551906A (zh) * 2009-05-13 2009-10-07 西安电子科技大学 基于三维区域分水岭的腹部ct图像主要血管提取方法
CN101706843A (zh) * 2009-11-16 2010-05-12 杭州电子科技大学 一种乳腺cr图像交互式读片方法
CN102402796A (zh) * 2011-10-26 2012-04-04 重庆大学 肝脏血管系统的三维结构化描述方法
EP2357609B1 (en) * 2009-12-23 2012-06-27 Intrasense Adaptative hit-or-miss region growing for vessel segmentation in medical imaging
CN102930552A (zh) * 2012-11-22 2013-02-13 北京理工大学 基于对称结构减影的脑肿瘤自动提取方法
CN103164859A (zh) * 2013-04-11 2013-06-19 上海理工大学 一种血管内超声图像分割方法
CN103593829A (zh) * 2013-11-26 2014-02-19 北京科技大学 基于数学形态学运算的手背静脉显像方法
CN103810363A (zh) * 2012-11-09 2014-05-21 上海联影医疗科技有限公司 血管造影术中的血管种子点选取方法及血管提取方法
CN105118056A (zh) * 2015-08-13 2015-12-02 重庆大学 基于三维形态学的冠脉血管自动提取方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101551906A (zh) * 2009-05-13 2009-10-07 西安电子科技大学 基于三维区域分水岭的腹部ct图像主要血管提取方法
CN101706843A (zh) * 2009-11-16 2010-05-12 杭州电子科技大学 一种乳腺cr图像交互式读片方法
EP2357609B1 (en) * 2009-12-23 2012-06-27 Intrasense Adaptative hit-or-miss region growing for vessel segmentation in medical imaging
CN102402796A (zh) * 2011-10-26 2012-04-04 重庆大学 肝脏血管系统的三维结构化描述方法
CN103810363A (zh) * 2012-11-09 2014-05-21 上海联影医疗科技有限公司 血管造影术中的血管种子点选取方法及血管提取方法
CN102930552A (zh) * 2012-11-22 2013-02-13 北京理工大学 基于对称结构减影的脑肿瘤自动提取方法
CN103164859A (zh) * 2013-04-11 2013-06-19 上海理工大学 一种血管内超声图像分割方法
CN103593829A (zh) * 2013-11-26 2014-02-19 北京科技大学 基于数学形态学运算的手背静脉显像方法
CN105118056A (zh) * 2015-08-13 2015-12-02 重庆大学 基于三维形态学的冠脉血管自动提取方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109754388A (zh) * 2018-12-04 2019-05-14 众安信息技术服务有限公司 一种颈动脉狭窄程度计算方法、装置及存储介质
CN109754388B (zh) * 2018-12-04 2021-03-16 众安信息技术服务有限公司 一种颈动脉狭窄程度计算方法、装置及存储介质
CN112529918A (zh) * 2020-12-23 2021-03-19 沈阳东软智能医疗科技研究院有限公司 一种脑部ct图像中脑室区域分割的方法、装置及设备
CN112529918B (zh) * 2020-12-23 2024-02-27 沈阳东软智能医疗科技研究院有限公司 一种脑部ct图像中脑室区域分割的方法、装置及设备
CN114529533A (zh) * 2022-02-22 2022-05-24 深圳市澈影医生集团有限公司 一种mra脑部图像的自动分析系统及方法

Similar Documents

Publication Publication Date Title
CN106682636B (zh) 血管提取方法及其系统
CN107563983B (zh) 图像处理方法以及医学成像设备
CN109035255B (zh) 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法
CN109741344B (zh) 血管分割方法、装置、医疗影像设备及存储介质
CN106485704B (zh) 血管中心线的提取方法
CN104992430B (zh) 基于卷积神经网络的全自动的三维肝脏分割方法
CN106296664B (zh) 血管提取方法
CN108198184B (zh) 造影图像中血管分割的方法和系统
CN104978725A (zh) 一种冠状动脉分割方法和装置
DE102007018763B4 (de) Verfahren zur Arterien-Venen-Bildseparation in Blutpoolkontrastmitteln
CN109801277B (zh) 一种图像处理方法及装置、存储介质
CN110648338B (zh) 图像分割方法、可读存储介质及图像处理装置
CN106780497B (zh) 一种基于统计信息的器官血管树自动提取方法
DE202011110772U1 (de) System zum Bestimmen kardiovaskulärer Informationen für einen Patienten
KR101492330B1 (ko) 혈관 조영된 컴퓨터 단층 영상의 혈관 분할 시스템 및 그 분할 방법
DE102005021380A1 (de) Patientenbezogenes Zuordnen von Koronarbereichen
CN106204546A (zh) 静脉窦的分割方法
CN111047607B (zh) 一种自动分割冠状动脉的方法
CN107025646B (zh) 一种下肢血管提取方法和装置
WO2018178272A1 (en) Contrast injection imaging
CN109934829A (zh) 一种基于三维图割算法的肝脏分割方法
CN109740602A (zh) 肺动脉期血管提取方法及系统
CN109410181A (zh) 一种心脏图像分割方法及装置
CN113436187A (zh) 颅脑ct血管造影图像的处理方法、装置、介质及电子设备
CN112862850A (zh) 数字剪影血管造影影像处理方法及装置

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: 20161207