CN106296660A - 一种全自动冠状动脉分割方法 - Google Patents
一种全自动冠状动脉分割方法 Download PDFInfo
- Publication number
- CN106296660A CN106296660A CN201610609735.3A CN201610609735A CN106296660A CN 106296660 A CN106296660 A CN 106296660A CN 201610609735 A CN201610609735 A CN 201610609735A CN 106296660 A CN106296660 A CN 106296660A
- Authority
- CN
- China
- Prior art keywords
- image
- coronary artery
- voxel
- value
- full
- 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.)
- Granted
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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种全自动冠状动脉分割方法。所述方法包括:分割心脏区域,血管增强处理,自动检测种子体素,分割冠状动脉。首先分割出包括冠状动脉在内的心脏区域,分割后的图像中几乎不含任何噪点,分割精度和效率均好于由EM算法等方法分割得到的结果;通过对分割出的心脏区域进行血管增强处理,使冠状动脉图像得到明显增强程;通过对血管增强处理后的图像进行种子体素自动检测,检测出种子体素集,解决了传统的区域分割法需要人工干预的问题,增加了鲁棒性;最后通过一致性判断分割出冠状动脉。相对于仅仅采用灰度值作为标准进行区域分割的方法,本发明在一致性判断中动态改变一致性区间,既避免了人工干预,又提高了冠状动脉分割的准确性。
Description
技术领域
本发明涉及计算机辅助医疗中冠状动脉的狭窄检测与量化评估技术,具体涉及一种全自动冠状动脉分割方法。
背景技术
冠状动脉的血液提供了维持心脏功能所需的各种物质。轻微的冠状动脉粥样硬化会导致暂时性的心肌缺血,严重的冠状动脉粥样硬化可导致心肌损伤,以至于诱发心肌梗死,对个人的生命构成直接威胁。因此,对冠状动脉的狭窄检测及量化评估是预防与诊断心血管疾病的关键。为了对冠状动脉进行狭窄检测及量化评估,需要精确地抽取冠状动脉。如若抽取的不够真实,例如,抽取出来冠状动脉管腔远比真实的管腔狭窄,可能造成严重误判,对医生的诊断结果造成严重的负面影响;抽取出的冠状动脉不够完整,则可能会遗漏一些狭窄的血管,从而可使病人不能及时得到治疗。因此,研究一种自动、精准且快速的冠状动脉分割方法成为了影响冠状动脉狭窄检测和量化评估至关重要的因素。
为了利用计算机辅助诊断冠状动脉疾病,人们开发了许多种心血管成像技术来使医生或其他相关人员能直观的查看心脏以及心脏周围的各种组织与它们的结构。例如,CTA(Computed Tomographic Angiography),核磁共振成像(Magnetic Resonance Imaging,MRI)等等。在当前临床诊断与治疗当中,传统的冠状动脉造影技术(ConventionalCoronary Angiography,CCA)是诊断冠状动脉疾病的“金标准”。近年来,CTA变得越来越流行。CTA与CCA比起来是非侵入式的。换句话说,CTA几乎不需要进入人体,而CCA需要进入人体,而且CCA无法保证不会对人体造成损伤。CTA可以成像出高分辨率的三维心脏和心血管,即可以让人们清晰且详细地了解病人心血管的状况,如狭窄存在与否,严重与否等等。
在冠状动脉CTA(Coronary CTA,CCTA)影像中,除了冠状动脉以外,还包含骨骼、肺血管、一部分肝脏、心肌、心室和心房等组织,因此,为了对冠状动脉进行狭窄检测和量化评估,首先需要对冠状动脉进行分割。在进行冠状动脉血管造影之前,需首先向人体注射一种造影剂使得造影之后的三维图像中血液图像的灰度值明显高于其周围组织的灰度值。然而,骨骼的灰度值同样很高,而且所有含有血液的组织并不一定都是冠状动脉,除此以外,冠状动脉中高度狭窄的部分会导致该狭窄部位和狭窄所影响的部分冠状动脉含血量很低,具有与其他非狭窄的冠状动脉相异的特征。这些因素给冠状动脉分割的完整度和准确度造成了一定的影响。另外,由于CTA具有很高的分辨率,一般每张二维图像的分辨率为1024×1024,一个三维体数据通常包含200张以上的高分辨率图像。因此,在使用计算机处理CCTA数据时,面对的数据量是非常庞大的(GB量级)。
发明内容
为了解决现有技术中存在的上述问题,本发明提出一种全自动冠状动脉分割方法。本发明的分割结果能够应用到冠状动脉的狭窄检测和量化评估中,同时有助于医生进行临床诊断。
为达到上述目的,本发明采用如下技术方案:
一种全自动冠状动脉分割方法,包括以下步骤:
步骤1,分割心脏区域:将待分割数据的一幅图像与标准图集中的每幅图像进行配准,根据配准结果对标准图集中的图像进行合成。对待分割数据中的每幅图像进行上述处理,分割出心脏区域。
步骤2,进行血管增强处理:在分割出的心脏区域中识别属于管状组织类别的体素(类似二维图像的最小单位——像素),增大这些体素的灰度值,并减小其它体素的灰度值。
步骤3,自动检测种子体素:从步骤2获得的管状组织类别的体素中剔出明显不属于冠状动脉的体素,然后进行三维形态学的腐蚀,得到冠状动脉的种子体素集合。
步骤4,分割冠状动脉:以种子体素集合中的一个种子体素为中心,计算其周围M邻域体素的灰度值的均值m和标准差σ,如果M邻域体素中某体素x的灰度值I0(x)满足一致性条件,则将其作为冠状动脉上的体素分割出来。一致性条件的表达式为:
m-v×σ≤I0(x)≤m-v×σ
式中,v为边界控制参数。
上述过程循环执行,直到处理完种子体素集合中的所有种子体素。如果某个种子体素已被其它种子体素作为冠状动脉上的体素分割出来,则不再对该种子体素进行上述处理。
进一步地,标准图集包含从原始CCTA数据中选出的类型不同的n幅图像,标准图集中的图像包含进行心脏分割所需的所有类型的图像。标准图集中的图像类型是按照质量高低和图像钙化物质多少进行划分的。
进一步地,步骤1中对待分割数据的每幅图像进行以下处理:
将待分割数据的一幅图像即待分割图像与标准图集中的每一幅图像进行非刚性配准,得到n个变换系数;然后将每个变换系数应用到标准图集中所对应的图像中,将它们变换为与待分割图像的大小、位置和形状相似的状态;最后将n个变换后的图像进行合成;所述变换系数的求解方法包括:
寻求空间投影变换T的最佳值使待分割图像与标准图像的相似性测度C最大:
其中,x表示体素,IF(x)表示待分割图像,IM(x)表示标准图像,IM(T(x))表示对IM(x)实施变换T后的图像。
上式是一个多参数优化问题,的求解方法如下:以ΔT为步长逐次改变T值,即:
其中,λ为大于零的实数,λ较大时,迭代速度快、精度低;当λ较小时,迭代速度慢、精度高,因此,λ的取值需要折衷考虑,具体取值通过实验确定。计算每个T值对应的C值,C取最大值时的T值即为 即为所求变换系数。
优选地,采用多数投票规则对标准图集中的图像进行合成。
优选地,n=8。
进一步地,步骤2在分割出的心脏区域中识别属于管状组织类别的体素的方法如下:
计算所述心脏区域的图像I的海森矩阵,公式如下:
式中,H表示海森矩阵,H中的每个元素为图像I在体素(x,y,z)处的二阶偏导数,H描述了体素周围灰度值的变化情况。
计算H的特征值λ1、λ2、λ3,λ1≥λ2≥λ3。
根据特征值λ1、λ2、λ3的大小识别管状组织类别的体素:当λ1、λ2、λ3满足下面条件时,体素(x,y,z)属于管状组织类别的体素:
式中,δ为数值很小的正数,M1、M2为近似相等且数值很大的正数,δ、M1、M2的值通过实验确定。
进一步,步骤3中明显不属于冠状动脉的体素为灰度值大于所设定的阈值的体素。所述阈值通过实验确定。
优选地,步骤3腐蚀中采用的三维核心矩阵为4×4×3,三维分别对应x,y,z三个方向。
优选地,步骤4中的M=26。
进一步地,在步骤4的循环过程中,首次循环时边界控制参数v取初始值1,每循环一次v的值增加一个步长,如果本次循环与上次循环满足一致性条件的体素总数的差值大于设定的阈值(该阈值是一个很大的正数,超过阈值表示发生突变),退出循环。
与现有技术相比,本发明具有以下有益效果:
本发明提出的全自动冠状动脉分割方法,首先分割出包括冠状动脉在内的心脏区域,分割后的图像中几乎不含任何噪点,免去了复杂的降噪处理步骤,分割精度和效率均好于由EM算法等方法分割得到的结果;通过对分割出的心脏区域进行血管增强处理,使冠状动脉和一部分心脏中的管状组织明显增强,其中冠状动脉的增强程度最显著;通过对血管增强处理后的图像进行种子体素自动检测,检测出种子体素集,解决了传统的区域分割法需要人工干预的问题,增加了鲁棒性;最后通过一致性判断分割出冠状动脉。相对于仅仅以灰度值为标准进行区域分割的方法,本发明在一致性判断中,动态地改变一致性区间,先赋予边界控制参数v一个保守的初始值,以保证对任何病人均不会产生过分割的情况,然后,使v慢慢增长,每增长一次,产生一个结果,直至结果出现过分割时算法停止。采用上述方法既避免了人工干预,又提高了冠状动脉分割的准确性。
附图说明
图1为进行心脏分割处理后的图像;
图2为对图1进行血管增强处理后的图像;
图3为对图2进行种子体素自动检测和冠状动脉分割处理后的图像。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
一种全自动冠状动脉分割方法,包括以下步骤:
步骤1,分割心脏区域:将待分割数据的一幅图像与标准图集中的每幅图像进行配准,根据配准结果对标准图集中的图像进行合成。对待分割数据中的每幅图像进行上述处理,分割出心脏区域。
心脏分割对进一步的冠状动脉提取具有重要意义。如果不经心脏分割直接对原始数据进行下一步的血管增强,会使除冠状动脉以外的其它一些组织(例如骨骼,肺血管等)同样得到增强,使后续的分割无法正常进行。
采用步骤1所述方法分割出的心脏区域的图像如图1所示。由图1可以看出包括冠状动脉在内的心脏区域被成功地分割出来,肺血管、肝脏组织和骨骼等均被成功分离,而且图中几乎不含任何噪点,免去了复杂的降噪处理步骤,分割精度和效率均好于由EM算法等方法分割得到的结果。
步骤2,进行血管增强处理:在分割出的心脏区域中识别属于管状组织类别的体素,增大这些体素的灰度值,并减小其它体素的灰度值。
血管增强处理采用三维管状组织增强算法,该方法使心脏中的管状组织明显增强。在血管增强处理后的心脏区域图像中,冠状动脉和一部分心脏中的管状组织会被明显增强,其中冠状动脉的增强程度最显著。图2展示了对图1进行血管增强处理后的结果,其中箭头指向了左、右两支被明显增强的冠状动脉。
步骤3,自动检测种子体素:从步骤2获得的管状组织类别的体素中剔出明显不属于冠状动脉的体素,然后进行三维形态学的腐蚀,得到冠状动脉的种子体素集合。
在完成血管增强处理后,若采用传统的区域分割法,不仅需要在图2所示的左、右冠状动脉上分别设置两个种子体素,而且其分割结果也并不尽如人意,在准确度和完整性上都有所欠缺。因此,本发明采用一种利用三维形态学腐蚀操作自动检测种子体素的方法,解决了传统的区域分割法需要人工干预的问题,还增加了其鲁棒性。
步骤4,分割冠状动脉:以种子体素集合中的一个种子体素为中心,计算其周围M邻域体素的灰度值的均值m和标准差σ,如果M邻域体素中某体素x的灰度值I0(x)满足一致性条件,则将其作为冠状动脉上的体素分割出来。一致性条件的表达式为:
m-v×σ≤I0(x)≤m-v×σ
式中,v为边界控制参数。
上述过程循环执行,即种子体素集合中的每一个体素执行一次循环,直到处理完种子体素集合中的所有种子体素。如果某个种子体素已被其它种子体素作为冠状动脉上的体素分割出来,则不再对该种子体素进行上述处理。这样处理可以提高运算速度。如若冠状动脉的某部分未被一个种子体素分割出来,它会被种子体素集合中的其它种子体素分割出来,因此提高了方法整体的鲁棒性,同时,还提高了分割出的冠状动脉的完整程度。除此以外,一致性条件可以更合理地反映冠状动脉的特征。图3是在图2的基础上通过步骤3进行种子体素自动检测、步骤4进行冠状动脉分割后的结果。由图3可以看到,冠状动脉被完整地分割。
标准图集包含从原始CCTA数据中选出的类型不同的n幅图像,标准图集中的图像包含进行心脏分割所需的所有类型的图像。标准图集中的图像类型是按照质量高低和图像钙化物质多少进行划分的。标准图集可以形象地理解为一个由先验知识组成的数据集合,该集合包含专家们从CCTA获得的原始数据中分割出来的心脏图像,这些图像将用于配准待分割的图像。
将待分割数据的一幅图像与标准图集中的每一幅图像进行非刚性配准,得到n个变换系数;然后将每个变换系数应用到标准图集中所对应的图像中,将它们变换为与待分割图像的大小、位置和形状相似的状态;最后将n个变换后的图像进行合成;所述变换系数的求解方法包括:
寻求空间投影变换T的最佳值使待分割图像与标准图像的相似性测度C最大:
其中,x表示体素,IF(x)表示待分割图像,IM(x)表示标准图像,IM(T(x))表示对IM(x)实施变换T后的图像。
上式是一个多参数优化问题,的求解方法如下:以ΔT为步长逐次改变T值,即:
其中,λ为大于零的实数,λ较大时,迭代速度快、精度低;当λ较小时,迭代速度慢、精度高,因此,λ的取值需要折衷考虑,一般通过实验确定。计算每个T值对应的C值,C取最大值时的T值即为 即为所求变换系数。
优选地,采用多数投票规则对标准图集中的图像进行合成,方法如下:
优选地,n=8,即标准图集中包含8幅不同类型的图像。
步骤2在分割出的心脏区域中识别属于管状组织类别的体素的方法如下:
计算所述心脏区域的图像I的海森矩阵,公式如下:
式中,H表示海森矩阵,H中的每个元素为图像I在体素(x,y,z)处的二阶偏导数,H描述了体素周围灰度值的变化情况。
计算H的特征值λ1、λ2、λ3,λ1≥λ2≥λ3。
根据特征值λ1、λ2、λ3的大小识别管状组织类别的体素:当λ1、λ2、λ3满足下面条件时,体素(x,y,z)属于管状组织类别的体素:
式中,δ为数值很小的正数,M1、M2为近似相等且数值很大的正数,δ、M1、M2的值通过实验确定。上式等效于λ1近似为0,λ2、λ3近似相等且远小于0。
步骤3中明显不属于冠状动脉的体素为灰度值大于所设定的阈值的体素。所述阈值通过实验确定。经过血管增强处理后,部分血管组织明显亮于其它组织。因此,首先使用阈值分割算法将一部分明显不属于冠状动脉的体素分离,这样可以使得到的结果更为可靠(降低得到的种子体素集合中含有非冠状动脉点的可能性)。为了保证属于冠状动脉的体素不被错误地分离,需设置一个比较保守的阈值,本实施例采用的阈值为120。
优选地,步骤3腐蚀中采用的三维核心矩阵为4×4×3,三维分别对应x,y,z三个方向。三维形态学腐蚀算法的核心矩阵不能设置得过于保守,以保证最终得到的结果集中不包含任何非冠状动脉的体素。采用4×4×3的三维矩阵作为腐蚀算法的核心矩阵,是由冠状动脉的拓扑结构决定的。
优选地,步骤4中的M=26,即以每一个种子体素为中心,在其周围选取26个邻域体素进行一致性判断。
在步骤4的循环过程中,首次循环时边界控制参数v取初始值1,每循环一次v的值增加一个步长,如果本次循环与上次循环满足一致性条件的体素总数的差值大于设定的阈值,退出循环。
相对于仅仅使用灰度值作为标准进行区域分割的方法,本发明通过动态地改变一致性区间,将特征更为一致的点归为一类,使分割出的冠状动脉更准确。在一致性条件表达式中,不同的病人、不同的病情选取的边界控制参数v会不同,如果v过大,则会使一致性区间过大,导致过分割,即分割出的结果中包含了很多除了冠状动脉以外的其它组织;如果v过小,则会使一致性区间较小,导致分割不准确且不完整。为了避免上述两种情况的发生,同时避免人工干预,本发明提出一种自动启发式决策方法,首先赋予v一个保守的初值,保证对任何病人均不会产生过分割的情况。然后,使v慢慢地增长,每增长一次,产生一个结果,直至结果出现过分割时算法停止。判断是否过分割的方法是,检测相邻两次满足一致性条件的体素的数量是否发生突变。比如,如果相邻两次满足一致性条件的体素的数量分别为107和108,就可以认为是发生了突变。
本发明不限于上述实施方式,本领域技术人员所做出的对上述实施方式任何显而易见的改进或变更,都不会超出本发明的构思和所附权利要求的保护范围。
Claims (10)
1.一种全自动冠状动脉分割方法,其特征在于,包括以下步骤:
步骤1,分割心脏区域:将待分割数据的一幅图像与标准图集中的每幅图像进行配准,根据配准结果对标准图集中的图像进行合成;对待分割数据中的每幅图像进行上述处理,分割出心脏区域;
步骤2,进行血管增强处理:在分割出的心脏区域中识别属于管状组织类别的体素,增大这些体素的灰度值,并减小其它体素的灰度值;
步骤3,自动检测种子体素:从步骤2获得的管状组织类别的体素中剔出明显不属于冠状动脉的体素,然后进行三维形态学的腐蚀,得到冠状动脉的种子体素集合;
步骤4,分割冠状动脉:以种子体素集合中的一个种子体素为中心,计算其周围M邻域体素的灰度值的均值m和标准差σ,如果M邻域体素中某体素x的灰度值I0(x)满足一致性条件,则将其作为冠状动脉上的体素分割出来;一致性条件的表达式为:
m-v×σ≤I0(x)≤m-v×σ
式中,v为边界控制参数;
上述过程循环执行,直到处理完种子体素集合中的所有种子体素;如果某个种子体素已被其它种子体素作为冠状动脉上的体素分割出来,则不再对该种子体素进行上述处理。
2.根据权利要求1所述的全自动冠状动脉分割方法,其特征在于,标准图集包含从原始CCTA数据中选出的类型不同的n幅图像,标准图集中的图像包含进行心脏分割所需的所有类型的图像;标准图集中的图像类型是按照质量高低和图像钙化物质多少进行划分的。
3.根据权利要求2所述的全自动冠状动脉分割方法,其特征在于,步骤1中对待分割数据的每幅图像进行以下处理:
将待分割数据的一幅图像即待分割图像与标准图集中的每一幅图像进行非刚性配准,得到n个变换系数;然后将每个变换系数应用到标准图集中所对应的图像中,将它们变换为与待分割图像的大小、位置和形状相似的状态;最后将n个变换后的图像进行合成;所述变换系数的求解方法包括:
寻求空间投影变换T的最佳值使待分割图像与标准图像的相似性测度C最大:
其中,x表示体素,IF(x)表示待分割图像,IM(x)表示标准图像,IM(T(x))表示对IM(x)实施变换T后的图像;
的求解方法如下:以ΔT为步长逐次改变T值,即:
其中,λ为大于零的实数,具体取值通过实验确定;计算每个T值对应的C值,C取最大值时的T值即为 即为所求变换系数。
4.根据权利要求3所述的全自动冠状动脉分割方法,其特征在于,采用张量投票法对标准图集中的图像进行合成。
5.根据权利要求2或3所述的全自动冠状动脉分割方法,其特征在于,n=8。
6.根据权利要求1所述的全自动冠状动脉分割方法,其特征在于,步骤2在分割出的心脏区域中识别属于管状组织类别的体素的方法如下:
计算所述心脏区域的图像I的海森矩阵,公式如下:
式中,H表示海森矩阵,H中的每个元素为图像I在体素(x,y,z)处的二阶偏导数,H描述了体素周围灰度值的变化情况;
计算H的特征值λ1、λ2、λ3,λ1≥λ2≥λ3;
根据特征值λ1、λ2、λ3的大小识别管状组织类别的体素:当λ1、λ2、λ3满足下面条件时,体素(x,y,z)属于管状组织类别的体素:
式中,δ为数值很小的正数,M1、M2为近似相等且数值很大的正数,δ、M1、M2的值通过实验确定。
7.根据权利要求1所述的全自动冠状动脉分割方法,其特征在于,步骤3中明显不属于冠状动脉的体素为灰度值大于所设定的阈值的体素;所述阈值通过实验确定。
8.根据权利要求1所述的全自动冠状动脉分割方法,其特征在于,步骤3腐蚀中采用的三维核心矩阵为4×4×3,三维分别对应x,y,z三个方向。
9.根据权利要求1所述的全自动冠状动脉分割方法,其特征在于,步骤4中的M=26。
10.根据权利要求1所述的全自动冠状动脉分割方法,其特征在于,在步骤4的循环过程中,首次循环时边界控制参数v取初始值1,每循环一次v的值增加一个步长,如果本次循环与上次循环满足一致性条件的体素总数的差值大于设定的阈值,退出循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610609735.3A CN106296660B (zh) | 2016-07-28 | 2016-07-28 | 一种全自动冠状动脉分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610609735.3A CN106296660B (zh) | 2016-07-28 | 2016-07-28 | 一种全自动冠状动脉分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106296660A true CN106296660A (zh) | 2017-01-04 |
CN106296660B CN106296660B (zh) | 2019-10-11 |
Family
ID=57662946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610609735.3A Active CN106296660B (zh) | 2016-07-28 | 2016-07-28 | 一种全自动冠状动脉分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106296660B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330888A (zh) * | 2017-07-11 | 2017-11-07 | 中国人民解放军第三军医大学 | 基于cta图像的动态心脏各腔室分割方法 |
CN107527341A (zh) * | 2017-08-30 | 2017-12-29 | 上海联影医疗科技有限公司 | 血管造影图像的处理方法和系统 |
CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
CN108932715A (zh) * | 2018-07-13 | 2018-12-04 | 北京红云智胜科技有限公司 | 一种基于深度学习的冠状动脉造影图分割的优化方法 |
CN109360209A (zh) * | 2018-09-30 | 2019-02-19 | 语坤(北京)网络科技有限公司 | 一种冠状血管分割方法及系统 |
CN109712163A (zh) * | 2018-12-05 | 2019-05-03 | 上海联影医疗科技有限公司 | 冠脉提取方法、装置、图像处理工作站和可读存储介质 |
CN113724264A (zh) * | 2020-05-26 | 2021-11-30 | 上海微创卜算子医疗科技有限公司 | 图像分割方法、系统和可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1795825A (zh) * | 2004-12-30 | 2006-07-05 | 中国医学科学院北京协和医院 | 一种肺部图像处理方法 |
US20080100621A1 (en) * | 2006-10-25 | 2008-05-01 | Siemens Corporate Research, Inc. | System and method for coronary segmentation and visualization |
CN104992437A (zh) * | 2015-06-29 | 2015-10-21 | 北京欣方悦医疗科技有限公司 | 一种冠脉三维图像分割的方法 |
-
2016
- 2016-07-28 CN CN201610609735.3A patent/CN106296660B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1795825A (zh) * | 2004-12-30 | 2006-07-05 | 中国医学科学院北京协和医院 | 一种肺部图像处理方法 |
US20080100621A1 (en) * | 2006-10-25 | 2008-05-01 | Siemens Corporate Research, Inc. | System and method for coronary segmentation and visualization |
CN104992437A (zh) * | 2015-06-29 | 2015-10-21 | 北京欣方悦医疗科技有限公司 | 一种冠脉三维图像分割的方法 |
Non-Patent Citations (3)
Title |
---|
刘晏丽等: "基于Hessian矩阵和区域生长的肝血管树的分割算法研究", 《计算机与现代化》 * |
张朝霞等: "基于LVE和ARG算法的冠状动脉分割", 《光电子 激光》 * |
杜永生等: "基于分割和体素的医学图像配准方法", 《计算机工程与设计》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330888A (zh) * | 2017-07-11 | 2017-11-07 | 中国人民解放军第三军医大学 | 基于cta图像的动态心脏各腔室分割方法 |
CN107527341B (zh) * | 2017-08-30 | 2020-05-19 | 上海联影医疗科技有限公司 | 血管造影图像的处理方法和系统 |
CN107527341A (zh) * | 2017-08-30 | 2017-12-29 | 上海联影医疗科技有限公司 | 血管造影图像的处理方法和系统 |
CN108171698A (zh) * | 2018-02-12 | 2018-06-15 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
CN108171698B (zh) * | 2018-02-12 | 2020-06-09 | 数坤(北京)网络科技有限公司 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
CN108932715A (zh) * | 2018-07-13 | 2018-12-04 | 北京红云智胜科技有限公司 | 一种基于深度学习的冠状动脉造影图分割的优化方法 |
CN108932715B (zh) * | 2018-07-13 | 2022-06-07 | 北京红云智胜科技有限公司 | 一种基于深度学习的冠状动脉造影图分割的优化方法 |
CN109360209B (zh) * | 2018-09-30 | 2020-04-14 | 语坤(北京)网络科技有限公司 | 一种冠状血管分割方法及系统 |
CN109360209A (zh) * | 2018-09-30 | 2019-02-19 | 语坤(北京)网络科技有限公司 | 一种冠状血管分割方法及系统 |
CN109712163A (zh) * | 2018-12-05 | 2019-05-03 | 上海联影医疗科技有限公司 | 冠脉提取方法、装置、图像处理工作站和可读存储介质 |
CN109712163B (zh) * | 2018-12-05 | 2021-05-18 | 上海联影医疗科技股份有限公司 | 冠脉提取方法、装置、图像处理工作站和可读存储介质 |
CN113724264A (zh) * | 2020-05-26 | 2021-11-30 | 上海微创卜算子医疗科技有限公司 | 图像分割方法、系统和可读存储介质 |
CN113724264B (zh) * | 2020-05-26 | 2023-08-11 | 上海微创卜算子医疗科技有限公司 | 图像分割方法、系统和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106296660B (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zotti et al. | Convolutional neural network with shape prior applied to cardiac MRI segmentation | |
Bernard et al. | Deep learning techniques for automatic MRI cardiac multi-structures segmentation and diagnosis: is the problem solved? | |
US9968257B1 (en) | Volumetric quantification of cardiovascular structures from medical imaging | |
US10909681B2 (en) | Automated selection of an optimal image from a series of images | |
Ye et al. | Multi-depth fusion network for whole-heart CT image segmentation | |
CN106296660A (zh) | 一种全自动冠状动脉分割方法 | |
Li et al. | Vessels as 4-D curves: Global minimal 4-D paths to extract 3-D tubular surfaces and centerlines | |
Kang et al. | Heart chambers and whole heart segmentation techniques | |
Zheng et al. | Machine learning based vesselness measurement for coronary artery segmentation in cardiac CT volumes | |
US9002078B2 (en) | Method and system for shape-constrained aortic valve landmark detection | |
CN101111865A (zh) | 用于在心脏图像中分割左心室的系统和方法 | |
Xu et al. | Convolutional-neural-network-based approach for segmentation of apical four-chamber view from fetal echocardiography | |
US8478044B2 (en) | System and method for image segmentation by optimizing weighted curvature | |
Harouni et al. | Universal multi-modal deep network for classification and segmentation of medical images | |
Mohan et al. | Tubular surface segmentation for extracting anatomical structures from medical imagery | |
Camara et al. | Explicit incorporation of prior anatomical information into a nonrigid registration of thoracic and abdominal CT and 18-FDG whole-body emission PET images | |
Dong et al. | A novel multi-attention, multi-scale 3D deep network for coronary artery segmentation | |
Dahiya et al. | Integrated 3D anatomical model for automatic myocardial segmentation in cardiac CT imagery | |
Tahoces et al. | Deep learning method for aortic root detection | |
Li et al. | Cardiac MRI segmentation with focal loss constrained deep residual networks | |
Ma et al. | Plaque recognition of carotid ultrasound images based on deep residual network | |
Xiao et al. | PET and CT image fusion of lung cancer with siamese pyramid fusion network | |
O’Donnell et al. | Comprehensive cardiovascular image analysis using MR and CT at Siemens Corporate Research | |
Sabokrohiyeh et al. | Sketch-based registration of 3d cine mri to 4d flow mri | |
Chi et al. | A composite of features for learning-based coronary artery segmentation on cardiac CT angiography |
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 |