CN107909585B - 一种血管内超声影像的血管中内膜分割方法 - Google Patents

一种血管内超声影像的血管中内膜分割方法 Download PDF

Info

Publication number
CN107909585B
CN107909585B CN201711118753.2A CN201711118753A CN107909585B CN 107909585 B CN107909585 B CN 107909585B CN 201711118753 A CN201711118753 A CN 201711118753A CN 107909585 B CN107909585 B CN 107909585B
Authority
CN
China
Prior art keywords
image
point
window
intravascular ultrasound
intima
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.)
Expired - Fee Related
Application number
CN201711118753.2A
Other languages
English (en)
Other versions
CN107909585A (zh
Inventor
郭圣文
吴宇鹏
任力
黄美萍
梁稳生
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201711118753.2A priority Critical patent/CN107909585B/zh
Publication of CN107909585A publication Critical patent/CN107909585A/zh
Application granted granted Critical
Publication of CN107909585B publication Critical patent/CN107909585B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种血管内超声影像的血管中内膜分割方法，包括步骤：S1.收集血管内超声图像数据，并对每幅血管内超声图像中的中内膜区域进行标注；S2.对训练集图像进行极坐标变换；S3.计算标记图的边缘距离图；S4.设定滑动采样窗口并确定窗口大小和滑动步长；S5.构建并训练FusionNet深度学习分割模型；S6.输入新数据并得到分割结果。本发明方法能够快速、准确、有效地提取血管中内膜区域。

Description

一种血管内超声影像的血管中内膜分割方法
技术领域
本发明涉及图像处理的技术领域，尤其是指一种基于深度学习的血管内超声影像的血管中内膜分割方法。
背景技术
目前，心血管疾病已经成为威胁人类健康的最重要因素之一。其中冠状动脉粥样硬化是引发此类疾病的重要诱因，如果可以在早期诊断中对动脉粥样硬化进行识别和诊断，对冠脉疾病的诊疗是有重大的意义。目前临床上采用的血管内超声(IntravascularUltrasound，IVUS)是一种能够实时显示血管壁和血管斑块形态状况的超声诊断方法。
目前临床上对采集的IVUS影像，医生主要关注的感兴趣区域(ROI)是血管中内膜区域，，在实际诊断过程中医生往往需要根据经验进行人工目测血管管腔轮廓和边缘，这样不可避免的造成结果的主观性，同时也会增加临床工作的负担。因此采用计算机辅助诊断提供实时准确的中内膜分割显得尤为必要。血管内超声影像存在以下特点：(1)超声斑点较多，图像分辨率低；(2)中内膜边界模糊；(3)存在因支架及运动而导致的伪影；(4)中内膜间的斑块成分复杂，影像表现不一。因此，IVUS影像中的血管内膜精确分割存在很大挑战。血管内超声影像的中内膜分割算法中，主要是基于活动轮廓模型的方法，近年来有代表性的方法是Zakeri F S,Setarehdan S K,Norouzi S.Automatic media-adventitia IVUSimage segmentation based on sparse representation framework and dynamicdirectional active contour model.[J].Computers in Biology&Medicine,2017.文中提出一种基于稀疏表达框架的活动轮廓模型方法，在稀疏表达框架中加入动态方向卷积矢量场来提取平滑的初始轮廓，再使用主动轮廓方法将初始轮廓向着ROI边界传播，最后基于图像纹理对中外膜边界进行分割。林慕丹,杨丰,梁淑君,等.结合先验形状信息和序贯学习的心血管内超声外弹力膜检测[J].中国图象图形学报,2016,21(5):646-656.文中用多类多尺度序贯学习(M2SSL)将IVUS图像分割七大不同组织；然后在分类结果的基础上,结合血管先验形状信息筛选出外弹力膜轮廓的关键点；最后,结合IVUS图像的梯度和相位信息，采用Snake模型获得最终的中膜轮廓。此类方法对初始轮廓的设定依赖性强，虽然有针对血管内超声影像中存在伪影、斑块和支架等复杂图像特征来设计相应的处理方法，但模型的处理过程冗余复杂，同时在高频高分辨率的血管内超声图像上鲁棒性低，还不能满足临床实时性的要求。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提出了一种基于深度学习的血管内超声影像的血管中内膜分割方法，该方法可以适应复杂多变的血管内超声图像，能够快速、准确地将血管内超声图像中的中内膜区域标记出来。
为实现上述目的，本发明所提供的技术方案为：一种血管内超声影像的血管中内膜分割方法，包括以下步骤：
S1.收集血管内超声图像数据，并对每幅血管内超声图像中的中内膜区域进行标注，具体如下：
假设总共收集了血管内超声图像Ii，i∈[1,…,M]，其中M为图像总数，对每个Ii让临床医生标注中内膜区域后有一个对应的标注图Li，选取Ii和Li中五分之四构成训练集Train，五分之一构成独立测试集Test；
S2.对训练集图像进行极坐标变换
对训练集Train中的每张图片以图像中心为原点进行极坐标变换，其相应的标注图Li也作极坐标变换；
S3.计算标记图的边缘距离图
根据极坐标变换后的标注图Li，计算每幅图经极坐标变换后的边缘距离图，即图像中每个像素点到离它最近的边缘像素点之间的距离值组成的二维矩阵图，对二维矩阵图进行归一化处理，所有值的大小限定为[0,1]；
S4.设定滑动采样窗口并确定窗口大小和滑动步长
根据血管中内膜层厚选择所需的滑动窗口大小，根据归一化边缘距离图和窗口内中内膜感兴趣区域的占比来自适应确定滑动步长，将每个滑动采样窗口得到的图像和对应的标记图重新构成新的训练集Patch；
S5.构建并训练FusionNet深度学习分割模型
构建FusionNet深度学习分割模型，该分割模型包含一个输入节点和两个输出节点，输入节点为经过步骤S4后的训练集Patch，两个输出节点分别对应分割的背景和目标区域；
S6.输入新数据并得到分割结果
将待分割的血管内超声图像进行极坐标变换后，再输入FusionNet深度学习分割模型中，将输出节点中的目标区域通过极坐标反变换得到可视化的分割结果。
在步骤S2中，极坐标变换过程如下：
对于N×N大小的图像，设图像上(N/2+1,N/2+1)的点作为图像中心O，以O为原点建立直角坐标系，对图像中任意的坐标为(x,y)的点根据以下公式进行极坐标变换：
其中，ρ是坐标到中心的距离，最大值ρmax是极坐标变换后的极径，θ是坐标的相位角，最大值θmax代表的是极角，设为360度，极径和极角也是变换后新图像的长和宽。
在步骤S3中，计算边缘距离图的方法如下：
对标记图中的中内膜区域进行边缘处理，得到边缘为白色，背景为黑色的二值图像，欧氏距离图看作一个二维矩阵图，根据血管内超声影像极坐标变换后的图像特性，计算边缘距离时先计算该点所在列中离它最近的一个白色点到它的欧式距离值d：
Figure GDA0002227267480000041
其中，vi和vj是待计算坐标点与边缘点在二值图像上的像素值，xi、yi、xj、yj分别是坐标点和边缘点的坐标；
根据下式对欧氏距离值d进行归一化：
Figure GDA0002227267480000042
其中，
Figure GDA0002227267480000043
表示归一化之后的欧氏距离值，d是当前点到所在列最近边缘点的欧氏距离值，dmin是所有点的边缘欧氏距离值的最小值，dmax是所有点的边缘欧氏距离值的最大值。
在步骤S4中，确定滑动采样窗口步长的方法如下：
Figure GDA0002227267480000044
其中，k为步长基数，e是自然对数，λ1和λ2是两项的系数，取值范围为[0,1]，
Figure GDA0002227267480000045
是当前窗口中心点的归一化边缘距离值，取值范围为[0,1]，值越小，说明窗口接近边缘，缩小步长，多采样；p是当前窗口中非中内膜区域在整个窗口中的占比取值范围为[0,1]，其值越小，说明窗口内的中内膜区域所占部分越多，也需要缩小步长，多采样；
选定长为m，宽为n的滑动采样窗口后，按照步长公式对原训练集中每张图像自左向右，自上向下滑动采样窗口得到扩充数据构建新的训练集Patch。
在步骤S5中，FusionNet分割模型是通过构建一个具有三个卷积和一个跳跃连接的残差块结构来增加网络深度实现特征提取的整合，避免特征信息在中间层传递过程中的丢失和梯度消失问题，所述FuionNet分割模型有一个输入节点两个输出节点，输出节点分为目标区域和背景，训练完模型后输入测试集Test进行测试，得到测试集分割结果。
本发明与现有技术相比，具有如下优点与有益效果：
1、本发明方法通过采集病人图像并进行临床标注构建深度学习网络的训练集，对图像进行极坐标变换后针对图像特点，对标注图像计算各点到边缘区域的欧式距离图，据此设计滑动窗口步长公式，此步长公式使得对离边缘越近，ROI区域越大采集的图像子块越多，离边缘越远ROI区域越小采集的图像子块越少。这样构建的Patch样本，确保对重要边缘信息的学习机会更多，从而提高后续深度学习网络对中内膜区域的识别能力。
2、本发明方法不需要现有方法中每次测试图像时复杂的初始化或特征选择过程。通过训练样本训练FusionNet深度学习分割模型，一旦训练完成，可以快速、直接和准确的获取血管内超声影像中内膜区域。
3、本发明方法中的FusionNet深度学习分割网络结构中残差卷积核能够保留低维特征的信息，当网络层数不断增大的过程中，防止梯度消失。
附图说明
图1是本发明方法流程图。
图2是本发明方法中FusionNet中残差卷积核。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示，本实施例所提供的血管内超声影像的血管中内膜分割方法，包括以下步骤：
S1.收集血管内超声图像数据，并对每幅血管内超声图像中的中内膜区域进行标注。
假设总共收集了血管内超声图像Ii，i∈[1,…,M]，其中M为图像总数，对每个Ii让临床医生标注中内膜区域后有一个对应的标注图Li，选取Ii和Li中五分之四构成训练集Train，五分之一构成独立测试集Test。采集血管内超声影像和标注图666张，其中500张作为训练集，166张作为测试集Test。图像大小为512×512。
S2.对训练集图像进行极坐标变换
对训练集Train中的每张图片以图像中心为原点进行极坐标变换，其相应的标注图Li也作极坐标变换，如下：
对于512×512大小的图像，选取的中心点(257,257)为图像中心O，以O为原点建立直角坐标系，对图像中任意的(x,y)点根据以下公式进行极坐标变换：
Figure GDA0002227267480000061
其中ρ是坐标到中心的距离，最大值ρmax是极坐标变换后的极径，θ是坐标的相位角最大值θmax代表的是极角，设为360度，极径和极角也是变换后新图像的长和宽。生成的极坐标图像大小为362×360。
S3.计算标记图的边缘距离图
根据极坐标变换后的标注图Li，计算每幅图经极坐标变换后的边缘距离图，即图像中每个像素点到离它最近的边缘像素点之间的距离值组成的二维矩阵图，对二维矩阵图进行归一化处理，所有值的大小限定为[0,1]。其中，计算边缘距离图的方法如下：
对标记图中的中内膜区域进行边缘处理，得到边缘为白色，背景为黑色的二值图像。欧氏距离图可以看作一个二维矩阵图，根据血管内超声影像极坐标变换后的图像特性，计算边缘距离时先计算该点所在列中离它最近的一个白色点到它的欧式距离值d：
其中，vi和vj是待计算坐标点与边缘点在二值图像上的像素值，xi、yi、xj、yj分别是坐标点和边缘点的坐标。
根据下式对欧氏距离值d进行归一化：
Figure GDA0002227267480000072
其中，
Figure GDA0002227267480000073
表示归一化之后的欧氏距离值，d是当前点到所在列最近边缘点的欧氏距离值，dmin是所有点的边缘欧氏距离值的最小值，dmax是所有点的边缘欧氏距离值的最大值。
S4.设定滑动采样窗口并确定窗口大小和滑动步长
根据血管中内膜层厚选择所需的滑动窗口大小，根据归一化边缘距离图和窗口内中内膜感兴趣区域(ROI)的占比来自适应确定滑动步长，将每个滑动采样窗口得到的图像和对应的标记图重新构成新的训练集Patch。其中，确定滑动采样窗口步长的方法如下：
其中，k为步长基数，e是自然对数，λ1和λ2是两项的系数，取值范围为[0,1]，
Figure GDA0002227267480000075
是当前窗口中心点的归一化边缘距离值，取值范围为[0,1]。值越小，说明窗口接近边缘，缩小步长，多采样。p是当前窗口中非中内膜区域在整个窗口中的占比取值范围为[0,1]，其值越小，说明窗口内的中内膜区域所占部分越多，也需要缩小步长，尽多采样。实施例中设定滑动窗口边长m为32，n为32，步长公式中，k＝32，λ1和λ2取值为0.5和0.5，自动生成80000张图像子块得到Patch训练集。
S5.构建并训练FusionNet深度学习分割模型
构建FusionNet深度学习分割模型，该分割模型包含一个输入节点和两个输出节点，输入节点为经过步骤S4后的训练集Patch，两个输出节点分别对应分割的背景和目标区域。其中，FusionNet分割模型是通过构建一个如图2所示具有三个卷积和一个跳跃连接的残差卷积核结构来增加网络深度实现特征提取的整合，避免特征信息在中间层传递过程中的丢失和梯度消失问题。
S6.输入测试集Test数据并得到分割结果
将待分割的血管内超声图像进行极坐标变换后，再输入FusionNet深度学习分割模型中，将输出节点中的目标区域通过极坐标反变换得到可视化的分割结果。
上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (5)

1.一种血管内超声影像的血管中内膜分割方法，其特征在于，包括以下步骤：
S1.收集血管内超声图像数据，并对每幅血管内超声图像中的中内膜区域进行标注，具体如下：
假设总共收集了血管内超声图像Ii，i∈[1,…,M]，其中M为图像总数，对每个Ii让临床医生标注中内膜区域后有一个对应的标注图Li，选取Ii和Li中五分之四构成训练集Train，五分之一构成独立测试集Test；
S2.对训练集图像进行极坐标变换
对训练集Train中的每张图片以图像中心为原点进行极坐标变换，其相应的标注图Li也作极坐标变换；
S3.计算标记图的边缘距离图
根据极坐标变换后的标注图Li，计算每幅图经极坐标变换后的边缘距离图，即图像中每个像素点到离它最近的边缘像素点之间的距离值组成的二维矩阵图，对二维矩阵图进行归一化处理，所有值的大小限定为[0,1]；
S4.设定滑动采样窗口并确定窗口大小和滑动步长
根据血管中内膜层厚选择所需的滑动窗口大小，根据归一化边缘距离图和窗口内中内膜感兴趣区域的占比来自适应确定滑动步长，将每个滑动采样窗口得到的图像和对应的标记图重新构成新的训练集Patch；
S5.构建并训练FusionNet深度学习分割模型
构建FusionNet深度学习分割模型，该分割模型包含一个输入节点和两个输出节点，输入节点为经过步骤S4后的训练集Patch，两个输出节点分别对应分割的背景和目标区域；
S6.输入新数据并得到分割结果
将待分割的血管内超声图像进行极坐标变换后，再输入FusionNet深度学习分割模型中，将输出节点中的目标区域通过极坐标反变换得到可视化的分割结果。
2.根据权利要求1所述的一种血管内超声影像的血管中内膜分割方法，其特征在于，在步骤S2中，极坐标变换过程如下：
对于N×N大小的图像，设图像上(N/2+1,N/2+1)的点作为图像中心O，以O为原点建立直角坐标系，对图像中任意的坐标为(x,y)的点根据以下公式进行极坐标变换：
Figure FDA0002227267470000021
其中，ρ是坐标到中心的距离，最大值ρmax是极坐标变换后的极径，θ是坐标的相位角，最大值θmax代表的是极角，设为360度，极径和极角也是变换后新图像的长和宽。
3.根据权利要求1所述的一种血管内超声影像的血管中内膜分割方法，其特征在于，在步骤S3中，计算边缘距离图的方法如下：
对标记图中的中内膜区域进行边缘处理，得到边缘为白色，背景为黑色的二值图像，欧氏距离图看作一个二维矩阵图，根据血管内超声影像极坐标变换后的图像特性，计算边缘距离时先计算该点所在列中离它最近的一个白色点到它的欧式距离值d：
Figure FDA0002227267470000022
其中，vi和vj是待计算坐标点与边缘点在二值图像上的像素值，xi、yi、xj、yj分别是当前点和边缘点的坐标；
根据下式对欧氏距离值d进行归一化：
其中，表示归一化之后的欧氏距离值，d是当前点到所在列最近边缘点的欧氏距离值，dmin是所有点的边缘欧氏距离值的最小值，dmax是所有点的边缘欧氏距离值的最大值。
4.根据权利要求1所述的一种血管内超声影像的血管中内膜分割方法，其特征在于，在步骤S4中，确定滑动采样窗口步长的方法如下：
其中，k为步长基数，e是自然对数，λ1和λ2是两项的系数，取值范围为[0,1]，是当前窗口中心点的归一化边缘距离值，取值范围为[0,1]，值越小，说明窗口接近边缘，缩小步长，多采样；p是当前窗口中非中内膜区域在整个窗口中的占比取值范围为[0,1]，其值越小，说明窗口内的中内膜区域所占部分越多，也需要缩小步长，多采样；
选定长为m，宽为n的滑动采样窗口后，按照步长公式对原训练集中每张图像自左向右，自上向下滑动采样窗口得到扩充数据构建新的训练集Patch。
5.根据权利要求1所述的一种血管内超声影像的血管中内膜分割方法，其特征在于：在步骤S5中，FusionNet分割模型是通过构建一个具有三个卷积和一个跳跃连接的残差块结构来增加网络深度实现特征提取的整合，避免特征信息在中间层传递过程中的丢失和梯度消失问题，所述FuionNet分割模型有一个输入节点两个输出节点，输出节点分为目标区域和背景，训练完模型后输入测试集Test进行测试，得到测试集分割结果。
CN201711118753.2A 2017-11-14 2017-11-14 一种血管内超声影像的血管中内膜分割方法 Expired - Fee Related CN107909585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711118753.2A CN107909585B (zh) 2017-11-14 2017-11-14 一种血管内超声影像的血管中内膜分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711118753.2A CN107909585B (zh) 2017-11-14 2017-11-14 一种血管内超声影像的血管中内膜分割方法

Publications (2)

Publication Number Publication Date
CN107909585A CN107909585A (zh) 2018-04-13
CN107909585B true CN107909585B (zh) 2020-02-18

Family

ID=61845404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711118753.2A Expired - Fee Related CN107909585B (zh) 2017-11-14 2017-11-14 一种血管内超声影像的血管中内膜分割方法

Country Status (1)

Country Link
CN (1) CN107909585B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3907700A1 (en) * 2020-05-07 2021-11-10 Koninklijke Philips N.V. Ultrasound data segmentation

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629784A (zh) * 2018-05-08 2018-10-09 上海嘉奥信息科技发展有限公司 一种基于深度学习的ct图像颅内血管分割方法及系统
CN109003280B (zh) * 2018-07-06 2021-09-21 华南理工大学 一种双通道血管内超声影像的血管中内膜分割方法
CN109284739B (zh) * 2018-10-26 2021-09-28 福州大学 一种基于深度学习的输电线路防外力破坏预警方法及系统
CN109448004B (zh) * 2018-10-26 2021-04-02 强联智创（北京）科技有限公司 一种基于中心线的颅内血管图像的截取方法及系统
CN110070529A (zh) * 2019-04-19 2019-07-30 深圳睿心智能医疗科技有限公司 一种血管腔内影像分割方法、系统及电子设备
CN110135512B (zh) * 2019-05-21 2021-07-27 武汉轻工大学 图片的识别方法、设备、存储介质及装置
CN110490843A (zh) * 2019-07-23 2019-11-22 苏州国科视清医疗科技有限公司 一种眼底图像血管分割方法
JP7369865B2 (ja) * 2019-09-26 2023-10-26 ボストン サイエンティフィック サイムド，インコーポレイテッド 血管内超音波画像を処理するためのシステム
CN110880182B (zh) * 2019-11-18 2022-08-26 东声(苏州)智能科技有限公司 图像分割模型训练方法、图像分割方法、装置及电子设备
CN111223092A (zh) * 2020-02-28 2020-06-02 长沙大端信息科技有限公司 胎儿超声切面图像自动质控系统及检测方法
CN111402335B (zh) * 2020-03-18 2023-07-28 东软睿驰汽车技术（沈阳）有限公司 深度学习模型的评价方法、装置、电子设备及存储介质
CN112070658B (zh) * 2020-08-25 2024-04-16 西安理工大学 一种基于深度学习的汉字字体风格迁移方法
CN112419253B (zh) * 2020-11-16 2024-04-19 中山大学 数字病理图像分析方法、系统、设备及存储介质
CN112651984A (zh) * 2020-12-31 2021-04-13 深圳开立生物医疗科技股份有限公司 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质
CN112799382A (zh) * 2021-04-01 2021-05-14 北京科技大学 一种机器人微机电系统故障诊断方法及系统
CN114155193B (zh) * 2021-10-27 2022-07-26 北京医准智能科技有限公司 一种基于特征强化的血管分割方法及装置
CN117496516B (zh) * 2023-12-25 2024-03-29 北京航空航天大学杭州创新研究院 一种脑瘤mri图像分割方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833757A (zh) * 2009-03-11 2010-09-15 深圳迈瑞生物医疗电子股份有限公司 血管图像组织结构的边缘检测及血管内膜检测方法和系统
CN103886599A (zh) * 2014-03-26 2014-06-25 北京工业大学 一种基于血管内超声图像的血管roi分割方法
KR20170113251A (ko) * 2016-03-24 2017-10-12 재단법인 아산사회복지재단 딥러닝을 이용한 혈관내 초음파 영상에서의 혈관내외경 자동 분할 방법 및 장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10405739B2 (en) * 2015-10-23 2019-09-10 International Business Machines Corporation Automatically detecting eye type in retinal fundus images
US10115039B2 (en) * 2016-03-10 2018-10-30 Siemens Healthcare Gmbh Method and system for machine learning based classification of vascular branches

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833757A (zh) * 2009-03-11 2010-09-15 深圳迈瑞生物医疗电子股份有限公司 血管图像组织结构的边缘检测及血管内膜检测方法和系统
CN103886599A (zh) * 2014-03-26 2014-06-25 北京工业大学 一种基于血管内超声图像的血管roi分割方法
KR20170113251A (ko) * 2016-03-24 2017-10-12 재단법인 아산사회복지재단 딥러닝을 이용한 혈관내 초음파 영상에서의 혈관내외경 자동 분할 방법 및 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3907700A1 (en) * 2020-05-07 2021-11-10 Koninklijke Philips N.V. Ultrasound data segmentation
WO2021224073A1 (en) * 2020-05-07 2021-11-11 Koninklijke Philips N.V. Ultrasound data segmentation

Also Published As

Publication number Publication date
CN107909585A (zh) 2018-04-13

Similar Documents

Publication Publication Date Title
CN107909585B (zh) 一种血管内超声影像的血管中内膜分割方法
Selver et al. Patient oriented and robust automatic liver segmentation for pre-evaluation of liver transplantation
Menchón-Lara et al. Automatic detection of the intima-media thickness in ultrasound images of the common carotid artery using neural networks
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
CN113420826B (zh) 一种肝脏病灶图像处理系统及图像处理方法
WO2022105623A1 (zh) 一种基于迁移学习的颅内血管病灶识别方法
WO2022105647A1 (zh) 一种颅内血管造影增强三维模型的建立方法
CN109003280B (zh) 一种双通道血管内超声影像的血管中内膜分割方法
CN113269225A (zh) 基于影像组学的非侵入式肝脏上皮样血管平滑肌脂肪瘤图像分类装置
CN112598619A (zh) 基于迁移学习的颅内血管模拟三维狭窄化模型的建立方法
CN115830016B (zh) 医学图像配准模型训练方法及设备
Li et al. Automatic quantification of epicardial adipose tissue volume
Bui et al. An automatic random walk based method for 3D segmentation of the heart in cardiac computed tomography images
CN114170151A (zh) 一种基于迁移学习的颅内血管病灶识别方法
CN111986216B (zh) 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法
CN116452579B (zh) 一种基于胸片图像的肺动脉高压智能评估方法和系统
CN112562058A (zh) 一种基于迁移学习的颅内血管模拟三维模型快速建立方法
CN112509079A (zh) 颅内血管造影增强三维狭窄化分析模型的建立方法
CN112508872A (zh) 颅内血管图像预处理方法和电子设备
CN112509076A (zh) 基于智慧医疗的颅内血管病灶标记与三维显示系统
CN112508880A (zh) 颅内血管图像配准方法、电子设备和计算机可读存储介质
Zhao et al. Automated coronary tree segmentation for x-ray angiography sequences using fully-convolutional neural networks
CN113379691B (zh) 一种基于先验引导的乳腺病灶深度学习分割方法
CN112669256B (zh) 一种基于迁移学习的医学图像分割与显示方法
CN114170337A (zh) 一种基于迁移学习的颅内血管增强三维模型的建立方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200218