CN109410182A - 一种图像处理方法及图像处理设备 - Google Patents
一种图像处理方法及图像处理设备 Download PDFInfo
- Publication number
- CN109410182A CN109410182A CN201811162122.5A CN201811162122A CN109410182A CN 109410182 A CN109410182 A CN 109410182A CN 201811162122 A CN201811162122 A CN 201811162122A CN 109410182 A CN109410182 A CN 109410182A
- Authority
- CN
- China
- Prior art keywords
- straightened
- image processing
- image
- narrow zone
- processing equipment
- 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
- 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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical 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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种图像处理方法,所述方法应用于一图像处理设备,所述方法包括:所述图像处理设备接收关于冠脉电子计算机扫描(CT)造影的拉直图像;所述图像处理设备利用拉直分割技术,对所述拉直图像进行软斑块定位筛选,输出第一狭窄区域,所述第一狭窄区域为对应所述冠脉CT造影中软斑块模糊定位的区域;所述图像处理设备利用与所述拉直图像相对应的参考图像,对所述第一狭窄区域进行软斑块定位筛选,输出第二狭窄区域,所述第二狭窄区域为对应所述冠脉CT造影中软斑块精准定位的区域;所述图像处理设备将根据图像处理方法进行精准诊断软斑块的目标定位区域的问题。
Description
技术领域
本发明涉及智慧医疗技术领域,尤其涉及一种图像处理方法及图像处理设备。
背景技术
随着社会经济的高速发展,生命健康已是当下关注度极高的话题,人们对医疗卫生事业有着极大的期盼,冠脉疾病的医疗水平和预防技术就是热点之一。其中,对冠脉病理诊断的研究正在加快推进。因此,冠脉疾病的自动化诊断具有重要的临床价值和实际意义。
在冠脉疾病中,最突出的是冠脉粥样硬化,其初期的主要表现形式是软斑块,如果软斑块得到很好的诊断,并及时处理,那么冠脉疾病将得到很好的控制。在现有技术中,对技术人员或医务人员来说,人工诊断或自动化诊断会经常误诊,特别是对软斑块的确诊。
因此,有必要通过一种准确性较高的图像处理方法或图像处理设备来解决软斑块的确诊问题,以满足当前社会的需求。
发明内容
本发明为了解决现有技术中一般冠脉病理诊断技术无法实现冠脉CT造影中软斑块精准定位的区域的问题,提供一种图像处理方法及图像处理设备。
为了实现上述目的,本发明采取下述技术方案:一种图像处理方法,所述方法应用于一图像处理设备,所述方法包括:所述图像处理设备接收关于冠脉电子计算机扫描CT造影的拉直图像;所述图像处理设备利用拉直分割技术,对所述拉直图像进行软斑块定位筛选,输出第一狭窄区域,所述第一狭窄区域为对应所述冠脉CT造影中软斑块模糊定位的区域;所述图像处理设备利用与所述拉直图像相对应的参考图像,对所述第一狭窄区域进行软斑块定位筛选,输出第二狭窄区域,所述第二狭窄区域为对应所述冠脉CT造影中软斑块精准定位的区域。
根据本发明一实施方式,在所述图像处理设备利用与所述拉直图像相对应的参考图像,对所述第一狭窄区域进行软斑块定位筛选,输出第二狭窄区域之后,所述方法还包括:所述图像处理设备利用深度学习技术或传统机器学习技术,对所述第二狭窄区域进行分类筛选,输出目标定位区域。
根据本发明一实施方式,在对所述拉直图像进行软斑块定位筛选之前,所述方法还包括:所述图像处理设备利用图像分割技术,对所述的拉直图像进行预处理,输出预处理后的拉直图像。
根据本发明一实施方式,所述方法还包括:所述图像处理设备利用聚类算法技术,对所述预处理后的拉直图像进行钙化检出处理,得到钙化检出处理后的拉直图像。
根据本发明一实施方式,在所述图像处理设备利用拉直分割技术,对所述拉直图像进行软斑块定位筛选,输出第一狭窄区域之后,所述方法还包括:所述图像处理设备利用利用软斑块的理论位置信息,对所述第一狭窄区域进行滤除处理,以滤除所述第一狭窄区域中的非软斑块区域;或,所述图像处理设备利用特定长度算法,对所述第一狭窄区域进行滤除处理,以滤除所述第一狭窄区域中的非软斑块区域。
根据本发明的第二方面,还提供一种图像处理设备,所述图像处理设备包括:图像采集单元,用于接收关于冠脉电子计算机扫描CT造影的拉直图像;初步筛选单元,用于通过拉直分割技术,对所述拉直图像进行软斑块定位筛选,输出第一狭窄区域,所述第一狭窄区域为对应所述冠脉CT造影中软斑块模糊定位的区域;二次筛选单元,利用与所述拉直图像相对应的参考图像,对所述第一狭窄区域进行软斑块定位筛选,输出第二狭窄区域,所述第二狭窄区域为对应所述冠脉CT造影中软斑块精准定位的区域。
根据本发明一实施方式,所述图像处理设备还包括学习单元;学习单元,在所述二次筛选单元利用与所述拉直图像相对应的参考图像,对所述第一狭窄区域进行软斑块定位筛选,输出第二狭窄区域之后,利用深度学习技术或传统机器学习技术,对所述第二狭窄区域进行分类筛选,输出目标定位区域。
根据本发明一实施方式,所述初步筛选单元还用于,在对所述拉直图像进行软斑块定位筛选之前,利用图像分割技术,对所述的拉直图像进行预处理,输出预处理后的拉直图像。
根据本发明一实施方式,所述初步筛选单元还用于,利用聚类算法技术,对所述预处理后的拉直图像进行钙化检出处理,得到钙化检出处理后的拉直图像。
根据本发明一实施方式,所述图像处理设备还包括规则单元;规则单元,在所述初步筛选单元利用拉直分割技术,对所述拉直图像进行软斑块定位筛选,输出第一狭窄区域之后,利用利用软斑块的理论位置信息,对所述第一狭窄区域进行滤除处理,以滤除所述第一狭窄区域中的非软斑块区域;或,所述图像处理设备利用特定长度算法,对所述第一狭窄区域进行滤除处理,以滤除所述第一狭窄区域中的非软斑块区域。
本发明通过上述方法得到的软斑块模糊定位的区域和目标定位区域,再通过回检筛选和分类筛选,最终筛选出冠脉CT造影中软斑块精准定位的区域,即最终的判断结果。这样,本发明的图像处理设备可以让假阳得到很好的控制,提高软斑块自动诊断的准确性与精准度,最终实现冠脉软斑块的全自动精准诊断。
需要理解的是,本发明的教导并不需要实现上面所述的全部有益效果,而是特定的技术方案可以实现的特定的技术效果,并且本发明的其他实施方式还能够实现上面未提到的有益效果。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1出示了本发明的图像处理方法的实现流程示意图;
图2出示了本发明的图像处理设备的组成结构示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。相反,提供这些实施方式是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。
结合附图1,本发明提供一种图像处理方法,所述方法应用于一图像处理设备,包括:101、所述图像处理设备接收关于冠脉电子计算机扫描CT造影的拉直图像;102、所述图像处理设备利用拉直分割技术,对所述拉直图像进行软斑块定位筛选,输出第一狭窄区域,所述第一狭窄区域为对应所述冠脉CT造影中软斑块模糊定位的区域;103、所述图像处理设备利用与所述拉直图像相对应的参考图像,对所述第一狭窄区域进行软斑块定位筛选,输出第二狭窄区域,所述第二狭窄区域为对应所述冠脉CT造影中软斑块精准定位的区域。
在这里,操作102,是基于图像分割的已知算法来实现,如拉直分割、阈值分割、区域分割等;更具体的算法,通过拉直分割的宽度曲线计算得到狭窄段;102作为诊断的第一步,将计算尽可能多的狭窄区域,故将调低筛选算法中的阈值,让更多的假阳通过,虽然可靠性不足,但基本包含了真阳,为接下来的操作提供了基础。
103的操作是基于神经网络、基于数学形态学的算法或者其他的传统算法,是在102的基础上进行的,不需要针对整个拉直图像的数据信息,而是针对第一狭窄区域进行的二次筛选,即回检步骤。
其中,参考图像是指与所述拉直图像的数据信息的前序部分或后序部分具有位置关联性的图像(如原始图像、CPR图像、短轴图像等);
比如,所述拉直图像的第一狭窄区域内的某一位置(标记为A0),在原始图像、CPR图像、短轴图像的可以确定的具体位置(分别标记为A1、A2、A3),即A0与A1、A0与A2、A0与A3都具有一一对应的位置关系。
在短轴图像中,通过连续多张短轴图像血管的面积变化来筛选目标定位区域;在原始图像中,通过原图体数据的连续体块儿的平均CT值变化来筛选目标定位区域;在CPR图像中,通过CPR上中心线前后切线序列来筛选目标定位区域。
通过这样的筛选,完全可以滤除狭窄计算时的肯定错误的狭窄区域,得出第二狭窄区域的准确性是非常高的。
本发明通过上述方法得到的软斑块模糊定位的区域和目标定位区域,再通过回检筛选和分类筛选,最终筛选出冠脉CT造影中软斑块精准定位的区域,即最终的判断结果。这样,本发明的图像处理设备可以让假阳得到很好的控制,提高软斑块自动诊断的准确性与精准度,最终实现冠脉软斑块的全自动精准诊断。
根据本发明一实施方式,在所述图像处理设备利用与所述拉直图像相对应的参考图像,对所述第一狭窄区域进行软斑块定位筛选,输出第二狭窄区域之后,所述方法还包括:所述图像处理设备利用深度学习技术或传统机器学习技术,对所述第二狭窄区域进行分类筛选,输出目标定位区域。
比如:在深度学习技术中,基于深度/人工神经网络的算法,其过程是通过对应图像(如原始图像、CPR图像、短轴图像等)的分类筛选,对第二狭窄区域的图像作是/否的分类;若是,则为候选的目标定位区域;
在传统学习技术中,采用传统机器学习算法(如K-means算法)其过程是通过对应图像(如原始图像、CPR图像、短轴图像等)的分类筛选,对第二狭窄区域的图像作是/否的分类;若是,则为候选的目标定位区域。
在这个实施方案中,可以筛除部分误判,比如:支架、非钙化斑块的误报等,进一步提高软斑块诊断的准确性。
根据本发明一实施方式,在对所述拉直图像进行软斑块定位筛选之前,所述方法还包括:所述图像处理设备利用图像分割技术,对所述的拉直图像进行预处理,输出预处理后的拉直图像。
对所述的拉直图像进行预处理,即对拉直图像进行图像分割,其处理的方式有很多,如拉直分割、阈值分割、区域分割、直方图法等,最终是为了进一步优化拉直图像及其数据信息。
根据本发明一实施方式,所述方法还包括:所述图像处理设备利用聚类算法技术,对所述预处理后的拉直图像进行钙化检出处理,得到钙化检出处理后的拉直图像。
在这里,钙化检出处理为一种医学意义上的处理算法。
根据本发明一实施方式,在所述初步筛选单元202利用拉直分割技术,对所述拉直图像进行软斑块定位筛选,输出第一狭窄区域之后,所述方法还包括:所述图像处理设备利用利用软斑块的理论位置信息,对所述第一狭窄区域进行滤除处理,以滤除所述第一狭窄区域中的非软斑块区域;或,所述图像处理设备利用特定长度算法,对所述第一狭窄区域进行滤除处理,以滤除所述第一狭窄区域中的非软斑块区域。
在这里,特定长度算法是指通过血管中的某一基准线或基准面的长度,对血管长度进行筛选;比如:血管的长度可以通过中心线长度衡量,中心线的末端的总长度的15%,对应的血管检测出来的结果被丢弃掉,每根血管都会单独处理。
结合附图2,本发明还提供一种图像处理设备,所述图像处理设备包括:图像采集单元201,用于接收关于冠脉电子计算机扫描CT造影的拉直图像;初步筛选单元202,用于通过拉直分割技术,对所述拉直图像进行软斑块定位筛选,输出第一狭窄区域,所述第一狭窄区域为对应所述冠脉CT造影中软斑块模糊定位的区域;二次筛选单元203,利用与所述拉直图像相对应的参考图像,对所述第一狭窄区域进行软斑块定位筛选,输出第二狭窄区域,所述第二狭窄区域为对应所述冠脉CT造影中软斑块精准定位的区域。
根据本发明一实施方式,所述图像处理设备还包括学习单元;学习单元,在所述二次筛选单元202利用与所述拉直图像相对应的参考图像,对所述第一狭窄区域进行软斑块定位筛选,输出第二狭窄区域之后,利用深度学习技术或传统机器学习技术,对所述第二狭窄区域进行分类筛选,输出目标定位区域。
根据本发明一实施方式,所述初步筛选单元202还用于,在对所述拉直图像进行软斑块定位筛选之前,利用图像分割技术,对所述的拉直图像进行预处理,输出预处理后的拉直图像。
根据本发明一实施方式,所述初步筛选单元202还用于,利用聚类算法技术,对所述预处理后的拉直图像进行钙化检出处理,得到钙化检出处理后的拉直图像。
根据本发明一实施方式,所述图像处理设备还包括规则单元;规则单元,在所述初步筛选单元202利用拉直分割技术,对所述拉直图像进行软斑块定位筛选,输出第一狭窄区域之后,利用利用软斑块的理论位置信息,对所述第一狭窄区域进行滤除处理,以滤除所述第一狭窄区域中的非软斑块区域;或,所述图像处理设备利用特定长度算法,对所述第一狭窄区域进行滤除处理,以滤除所述第一狭窄区域中的非软斑块区域。
这里需要指出的是:以上所述的实施方式,与前述方法实施例的描述是类似的,具有同方法实施例相似的有益效果,因此不做赘述。对于本发明实施例中未披露的技术细节,请参照本发明方法实施例的描述而理解,为节约篇幅,因此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括多要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法应用于一图像处理设备,所述方法包括:
所述图像处理设备接收关于冠脉电子计算机扫描CT造影的拉直图像;
所述图像处理设备利用拉直分割技术,对所述拉直图像进行软斑块定位筛选,输出第一狭窄区域,所述第一狭窄区域为对应所述冠脉CT造影中软斑块模糊定位的区域;
所述图像处理设备利用与所述拉直图像相对应的参考图像,对所述第一狭窄区域进行软斑块定位筛选,输出第二狭窄区域,所述第二狭窄区域为对应所述冠脉CT造影中软斑块精准定位的区域。
2.根据权利要求1所述的图像处理方法,其特征在于,在所述图像处理设备利用与所述拉直图像相对应的参考图像,对所述第一狭窄区域进行软斑块定位筛选,输出第二狭窄区域之后,所述方法还包括:
所述图像处理设备利用深度学习技术或传统机器学习技术,对所述第二狭窄区域进行分类筛选,输出目标定位区域。
3.根据权利要求1所述的图像处理方法,其特征在于,在对所述拉直图像进行软斑块定位筛选之前,所述方法还包括:
所述图像处理设备利用图像分割技术,对所述的拉直图像进行预处理,输出预处理后的拉直图像。
4.根据权利要求3所述的图像处理方法,其特征在于,所述方法还包括:
所述图像处理设备利用聚类算法技术,对所述预处理后的拉直图像进行钙化检出处理,得到钙化检出处理后的拉直图像。
5.根据权利要求1所述的图像处理方法,其特征在于,在所述图像处理设备利用拉直分割技术,对所述拉直图像进行软斑块定位筛选,输出第一狭窄区域之后,所述方法还包括:
所述图像处理设备利用利用软斑块的理论位置信息,对所述第一狭窄区域进行滤除处理,以滤除所述第一狭窄区域中的非软斑块区域;
或,所述图像处理设备利用特定长度算法,对所述第一狭窄区域进行滤除处理,以滤除所述第一狭窄区域中的非软斑块区域。
6.一种图像处理设备,其特征在于,所述图像处理设备包括:
图像采集单元,用于接收关于冠脉电子计算机扫描CT造影的拉直图像;
初步筛选单元,用于通过拉直分割技术,对所述拉直图像进行软斑块定位筛选,输出第一狭窄区域,所述第一狭窄区域为对应所述冠脉CT造影中软斑块模糊定位的区域;
二次筛选单元,利用与所述拉直图像相对应的参考图像,对所述第一狭窄区域进行软斑块定位筛选,输出第二狭窄区域,所述第二狭窄区域为对应所述冠脉CT造影中软斑块精准定位的区域。
7.根据权利要求6所述的图像处理设备,其特征在于,所述图像处理设备还包括学习单元;
学习单元,在所述二次筛选单元利用与所述拉直图像相对应的参考图像,对所述第一狭窄区域进行软斑块定位筛选,输出第二狭窄区域之后,利用深度学习技术或传统机器学习技术,对所述第二狭窄区域进行分类筛选,输出目标定位区域。
8.根据权利要求6所述的图像处理设备,其特征在于,
所述初步筛选单元还用于,在对所述拉直图像进行软斑块定位筛选之前,利用图像分割技术,对所述的拉直图像进行预处理,输出预处理后的拉直图像。
9.根据权利要求8所述的图像处理设备,其特征在于,
所述初步筛选单元还用于,利用聚类算法技术,对所述预处理后的拉直图像进行钙化检出处理,得到钙化检出处理后的拉直图像。
10.根据权利要求6所述的图像处理设备,其特征在于,所述图像处理设备还包括规则单元;
规则单元,在所述初步筛选单元利用拉直分割技术,对所述拉直图像进行软斑块定位筛选,输出第一狭窄区域之后,利用软斑块的理论位置信息,对所述第一狭窄区域进行滤除处理,以滤除所述第一狭窄区域中的非软斑块区域;或,利用特定长度算法,对所述第一狭窄区域进行滤除处理,以滤除所述第一狭窄区域中的非软斑块区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811162122.5A CN109410182B (zh) | 2018-09-30 | 2018-09-30 | 一种图像处理方法及图像处理设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811162122.5A CN109410182B (zh) | 2018-09-30 | 2018-09-30 | 一种图像处理方法及图像处理设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109410182A true CN109410182A (zh) | 2019-03-01 |
CN109410182B CN109410182B (zh) | 2019-11-08 |
Family
ID=65466699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811162122.5A Active CN109410182B (zh) | 2018-09-30 | 2018-09-30 | 一种图像处理方法及图像处理设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410182B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288731A (zh) * | 2020-11-05 | 2021-01-29 | 杭州深睿博联科技有限公司 | 一种血管狭窄分析方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070081713A1 (en) * | 2005-10-07 | 2007-04-12 | Anna Jerebko | Automatic bone detection in MRI images |
CN104881882A (zh) * | 2015-04-17 | 2015-09-02 | 广西科技大学 | 一种运动目标跟踪与检测方法 |
CN105007819A (zh) * | 2013-03-04 | 2015-10-28 | 哈特弗罗公司 | 用于在血流特性建模中进行灵敏度分析的方法和系统 |
CN105389810A (zh) * | 2015-10-28 | 2016-03-09 | 清华大学 | 血管内斑块的识别系统及方法 |
CN108334732A (zh) * | 2017-08-31 | 2018-07-27 | 上海联影医疗科技有限公司 | 医学图像中的血管定位方法及装置 |
-
2018
- 2018-09-30 CN CN201811162122.5A patent/CN109410182B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070081713A1 (en) * | 2005-10-07 | 2007-04-12 | Anna Jerebko | Automatic bone detection in MRI images |
CN105007819A (zh) * | 2013-03-04 | 2015-10-28 | 哈特弗罗公司 | 用于在血流特性建模中进行灵敏度分析的方法和系统 |
CN104881882A (zh) * | 2015-04-17 | 2015-09-02 | 广西科技大学 | 一种运动目标跟踪与检测方法 |
CN105389810A (zh) * | 2015-10-28 | 2016-03-09 | 清华大学 | 血管内斑块的识别系统及方法 |
CN108334732A (zh) * | 2017-08-31 | 2018-07-27 | 上海联影医疗科技有限公司 | 医学图像中的血管定位方法及装置 |
Non-Patent Citations (1)
Title |
---|
孙巧榆,杨冠羽,舒华忠: "基于模糊C均值法的CTA图像冠状动脉狭窄量化", 《东南大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288731A (zh) * | 2020-11-05 | 2021-01-29 | 杭州深睿博联科技有限公司 | 一种血管狭窄分析方法及装置 |
WO2022095895A1 (zh) * | 2020-11-05 | 2022-05-12 | 杭州深睿博联科技有限公司 | 一种血管狭窄分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109410182B (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Explainable AI for COVID-19 CT classifiers: an initial comparison study | |
Ozdemir et al. | A 3D probabilistic deep learning system for detection and diagnosis of lung cancer using low-dose CT scans | |
Rastogi et al. | LeuFeatx: Deep learning–based feature extractor for the diagnosis of acute leukemia from microscopic images of peripheral blood smear | |
CN111028224B (zh) | 数据标注、模型训练和图像处理方法、装置及存储介质 | |
US8605981B2 (en) | Centromere detector and method for determining radiation exposure from chromosome abnormalities | |
CN110680326B (zh) | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 | |
CN102737379A (zh) | 一种基于自适应学习的ct图像分割方法 | |
CN107578402A (zh) | 一种基于深度学习的肺部结节的检测系统及其使用方法 | |
CN109345546B (zh) | 一种冠脉体数据模型分割方法及设备 | |
al‐Rifaie et al. | Deploying swarm intelligence in medical imaging identifying metastasis, micro‐calcifications and brain image segmentation | |
CN112489060A (zh) | 一种用于肺炎病灶分割的系统及方法 | |
CN109410182B (zh) | 一种图像处理方法及图像处理设备 | |
Wang et al. | A ResNet‐based approach for accurate radiographic diagnosis of knee osteoarthritis | |
CN107145715A (zh) | 一种基于推举算法的临床医学智能判别装置 | |
CN109410267A (zh) | 一种冠脉分割评估方法及系统 | |
CN111584071A (zh) | 一种膝关节周围原发恶性骨肿瘤人工智能辅助诊断模型 | |
Ong et al. | Comparative analysis of explainable artificial intelligence for COVID-19 diagnosis on CXR image | |
Tusher et al. | Early brain stroke prediction using machine learning | |
Ewen et al. | Online unsupervised Learning for domain shift in COVID-19 CT scan datasets | |
Guru et al. | Brain tumor identification and classification using a novel extraction method based on adapted alexnet architecture | |
Orlando et al. | Learning to detect red lesions in fundus photographs: An ensemble approach based on deep learning | |
Elizabeth et al. | Computer‐aided diagnosis system for the detection of bronchiectasis in chest computed tomography images | |
CN106960218A (zh) | 基于代价敏感学习贝叶斯的乳腺癌数据计算机分类系统 | |
Hrizi et al. | Lung cancer detection and nodule type classification using image processing and machine learning | |
CN109875595A (zh) | 一种颅内血管状态检测方法及装置 |
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 |