CN109584195B - 一种双模图像自动融合方法 - Google Patents

一种双模图像自动融合方法 Download PDF

Info

Publication number
CN109584195B
CN109584195B CN201811383658.XA CN201811383658A CN109584195B CN 109584195 B CN109584195 B CN 109584195B CN 201811383658 A CN201811383658 A CN 201811383658A CN 109584195 B CN109584195 B CN 109584195B
Authority
CN
China
Prior art keywords
image
ivus
oct
intima
dual
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
Application number
CN201811383658.XA
Other languages
English (en)
Other versions
CN109584195A (zh
Inventor
白晓淞
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.)
Innermedical Co ltd
Original Assignee
Innermedical 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 Innermedical Co ltd filed Critical Innermedical Co ltd
Priority to CN201811383658.XA priority Critical patent/CN109584195B/zh
Publication of CN109584195A publication Critical patent/CN109584195A/zh
Application granted granted Critical
Publication of CN109584195B publication Critical patent/CN109584195B/zh
Active 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种双模图像自动融合方法，其包括以下步骤：基于snake模型，分别得到IVUS、OCT内膜点到图像中心的距离序列；分别通过IVUS、OCT血管管腔的内膜平均半径计算OCT图像和IVUS图像血管管腔的缩放系数；按照预先设定的角度范围及步长旋转IVUS图像，计算旋转后的IVUS图像与OCT图像的互信息，当互信息为最大值的时候对应的角度作为参考，然后采用圆周相关算法估计实际的旋转角度，对IVUS与OCT图像配准后，采用泊松融合算法对变换后的IVUS图像和OCT原始图像进行融合。本发明的技术方案充分发挥IVUS成像和OCT成像的优势，并提升了融合过程的速度。

Description

一种双模图像自动融合方法
技术领域
本发明属于医疗器械技术领域，尤其涉及一种双模图像自动融合方法。
背景技术
血管内超声(Intravascular Ultrasound，IVUS)作为医学超声的一个分支，是利用超声原理探测血管内、血管壁及其周围组织的结果，是知道疾病诊断和治疗的有创性断层显像技术。光学相干成像(Optical Coherence Tomography，OCT)是当前分辨率最高的血管内成像技术，能更好地显示管壁各层的图像，对斑块及内膜的成像更具有精确性和高对比性。IVUS基于超声成像原理可以获得较大的成像深度和范围，但是其图像清晰度不足；OCT基于光学成像原理可以获得高清晰成像，但是成像深度和范围不足。两者在临床应用中表现的技术优势也各有不同。
由于IVUS利用的是声波的反射现象，因此有利于显示深部结构，而且不受血流影响，因此检测过程中不需要阻断血流，但对微细结构图像的分辨却受限。OCT强大的分辨力可以很好的描述血管内膜，检测斑块成分的敏感性和特异性均高于IVUS，但OCT组织成像深度有限；对于正常的冠脉尚能反映其血管壁结构，但是对于增厚的，病变的血管，往往不能反映内膜以外的结构。
发明内容
针对以上技术问题，本发明公开了一种双模图像自动融合方法，其结合了IVUS和OCT的优势，即可以很好描述血管内膜，又可以清晰的显示内膜以外的组织结构，更好的服务于临床。
对此，本发明采用的技术方案为：
一种双模图像自动融合方法，其包括以下步骤：
步骤S1，基于snake模型，分别提取IVUS与OCT的血管内膜点，逆时针间隔从内膜连续点中采集对应的点，并计算点到图像中心的距离，分别得到IVUS、OCT内膜点到图像中心的距离序列；计算两个距离序列之间的相似度；如果相似度小于预先设定的阈值，则不进行配准；如果大于预先设定的阈值，则继续下一步的配准过程；
步骤S2，分别通过IVUS、OCT血管管腔的内膜平均半径计算OCT图像和IVUS图像血管管腔的缩放系数；按照预先设定的角度范围及步长旋转IVUS图像，计算旋转后的IVUS图像与OCT图像的互信息，当互信息为最大值的时候对应的角度作为旋转角度的粗估计值，然后基于粗配准结果，采用圆周相关算法估计实际的旋转角度，对IVUS与OCT图像进行配准；
步骤S3，IVUS与OCT图像配准后，采用泊松融合算法对步骤S2变换后的IVUS图像和OCT原始图像进行融合。
其中，步骤S2中，旋转角度的计算以OCT作为参考图像，IVUS作为浮动图像，配准过程分为粗配准和精确配准。粗配准采用基于互信息的一种方法。互信息描述了两个系统之间的相关性，或互相包含信息的多少，在图像配准中，两幅图的互信息是通过它们的熵以及联合熵来反映它们之间信息的相互包含程度。首先按照预先设定的角度范围及步长旋转IVUS图像，计算旋转后的IVUS图像与OCT图像的互信息，当互信息为最大值的时候对应的角度作为旋转角度的粗估计值。然后基于粗配准结果进行精确配准。精确配准过程序列的圆周相关算法估计实际的旋转角度。
作为本发明的进一步改进，步骤S1中，所述两个距离序列之间的相似度采用序列之间的欧式距离、直方图匹配或相关系数作为两个序列的相似度度量。
作为本发明的进一步改进，所述相关系数为Pearson相关系数，所述Pearson相关系数为：
Figure BDA0001872473630000021
其中X为IUVS图像内膜点到图像中心的距离集合
Figure BDA0001872473630000022
Y为OCT图像内膜点到图像中心的距离集合/>
Figure BDA0001872473630000023
N是内膜上采集点的个数。
作为本发明的进一步改进，步骤S2中，IVUS血管管腔的内膜平均半径通过IVUS内膜点到图像中心的距离序列平均值得到；OCT血管管腔的内膜平均半径通过OCT内膜点到图像中心的距离序列平均值得到；OCT图像血管管腔的缩放系数A采用以下公式计算得到：
Figure BDA0001872473630000024
作为本发明的进一步改进，步骤S2中，实际的旋转角度采用以下步骤得到：
步骤S201，获得IVUS，OCT内膜上的离散点序列及到图像中心的距离序列；
步骤S202，假设旋转角度粗估计值为Angle粗，设定角度搜索范围是[Angle粗-δ，Angle粗+δ]，其中δ是偏移量，以step为搜索步长进行搜索；
步骤S203，将当前搜索角度θ转换为点个数，对IVUS内膜点距离序列循环移位；
步骤S204，计算移位后的序列与OCT内膜点距离序列的相似度；
步骤S205，相似度最大值对应的角度为最终的旋转角度。
作为本发明的进一步改进，所述step设置为0.3或0.5度。
作为本发明的进一步改进，步骤S3中，采用泊松融合算法对变换后的IVUS图像和OCT原始图像进行融合包括以下步骤：
步骤S301，将OCT的血管管腔部分作为ROI区域融合到IVUS图像中；
步骤S302，计算ROI图像的梯度场
Figure BDA0001872473630000031
步骤S303，求IVUS图像的梯度场
Figure BDA0001872473630000032
步骤S304，计算融合图像的梯度场
Figure BDA0001872473630000033
步骤S305，求解融合图像dst的散度
Figure BDA0001872473630000034
/>
步骤S306，重建方程为Bx＝b，其中b是融合图像散度，构造系数矩阵B；其中系数矩阵B是基于FFT的泊松方程求解得到的稀疏矩阵；已知散度b，通过x＝B-1b可以求得融合图像各个像素灰度值x，得到重建结果，即融合后的图像。
作为本发明的进一步改进，步骤S302中，采用Sobel、Prewitt或Roberts算子计算图像的x,y方向的梯度向量。
作为本发明的进一步改进，步骤S302中，采用Sobel算子计算图像的x,y方向的梯度向量，即两个3×3的矩阵求解图像的x,y方向的梯度向量，
Figure BDA0001872473630000035
进一步的，步骤S303中，利用Sobel算子与原图像卷积获得IVUS图像的梯度场。
作为本发明的进一步改进，采用泊松融合算法对变换后的IVUS图像和OCT原始图像进行融合还包括以下步骤：
步骤S307，对融合图像中OCT血管腔部分添加伪彩，显示双模融合图像。
作为本发明的进一步改进，步骤S307中，添加伪彩采用根据像素点的灰度值查找伪彩表获取相应的R,G,B通道的颜色分量进行添加。
其中，在泊松融合算法之前采用高斯下采样算法，融合后，再采用高斯上采样算法还原到原始分辨率图像，加快了融合速度。
与现有技术相比，本发明的有益效果为：
第一，采用本发明的技术方案，将双模探头采集的同一段血管的IVUS,OCT图像数据融合起来，充分发挥IVUS成像的强组织穿透力和OCT成像高分辨率的优势。
第二，本发明的技术方案先对旋转角度先进行粗估计，对旋转角度做了大致范围的估计，然后对内膜形态进行量化，再基于圆周相关算法可以准确的估计IVUS,OCT内膜旋转角度。这样，整个融合过程综合了下采样和泊松算法，使融合过程速度得以提升，同时保持较好的融合效果。
附图说明
图1为本发明实施例的双模配准处理流程图。
图2为本发明实施例的配准方法的处理流程图。
图3为本发明实施例的融合方法的处理流程图。
图4为本发明实施例中IVUS待配准图像。
图5为本发明实施例中OCT待配准图像。
图6为本发明实施例中IVUS血管管腔轮廊提取结果图。
图7为本发明实施例中OCT血管管腔轮廊提取结果图。
图8为本发明实施例中IVUS和OCT融合图像。
具体实施方式
下面对本发明的较优的实施例作进一步的详细说明。
一种双模图像自动融合方法，其包括以下步骤：
1.是否进行配准，采用以下步骤进行判断，如图1所示；
(1)基于snake模型，分别提取IVUS与OCT的血管内膜点，逆时针[0-360]度间隔从内膜连续点中采集对应的点，并计算点到图像中心的距离，得到IVUS、OCT内膜点到图像中心的距离序列
Figure BDA0001872473630000051
N是内膜上采集点的个数。
(2)计算两个距离序列之间的相似度，可以利用序列之间的欧式距离、直方图匹配、相关系数等作为两个序列的相似度度量。其中，Pearson(皮尔森)相关系数定义如下
Figure BDA0001872473630000052
其中X代表IUVS图像内膜点到图像中心的距离集合
Figure BDA0001872473630000053
Y代表OCT图像内膜点到图像中心的距离集合/>
Figure BDA0001872473630000054
N是集合点的个数，∑是代表序列求和。
(3)如果相似度结果小于某个阈值，则不进行配准；如果大于某个阈值，则继续配准过程。
2.IVUS与OCT图像配准，包括以下步骤，如图2所示；
(1)缩放系数的计算
IVUS和OCT血管管腔存在大小差异，通过管腔的平均半径计算两幅图像之间的缩放系数。根据IVUS内膜点到图像中心的距离序列平均值得到IVUS内膜平均半径，根据OCT内膜点到图像中心的距离序列平均值得到OCT内膜平均半径。然后根据公式
Figure BDA0001872473630000055
计算出OCT图像和IVUS图像血管管腔的缩放系数。
(2)旋转角度的计算
OCT作为参考图像，IVUS作为浮动图像，配准过程分为粗配准和精确配准。粗配准采用基于互信息的一种方法。互信息描述了两个系统之间的相关性，或互相包含信息的多少，在图像配准中，两幅图的互信息是通过它们的熵以及联合熵来反映它们之间信息的相互包含程度。首先按照预先设定的角度范围及步长旋转IVUS图像，计算旋转后的IVUS图像与OCT图像的互信息，当互信息为最大值的时候对应的角度作为旋转角度的粗估计值。然后基于粗配准结果进行精确配准。精确配准过程序列的圆周相关算法估计实际的旋转角度。具体包括以下步骤：
a)首先基于上述方法获得IVUS、OCT内膜上的离散点序列及到图像中心的距离序列。
b)假设旋转角度粗估计值为Angle粗，设定角度搜索范围是[Angle粗-δ，Angle粗+δ]，其中δ是偏移量，以step为搜索步长，step可以设置为0.3或0.5度。
c)将当前搜索角度θ转换为点个数，对IVUS内膜点距离序列循环移位。
d)计算移位后的序列与OCT内膜点距离序列的相似度。
e)相似度最大值对应的角度为最终的旋转角度；
3.IVUS与OCT图像融合，包括以下步骤，如图3所示；
IVUS与OCT图像配准后，采用泊松融合算法对变换后的IVUS图像和OCT原始图像进行融合。该算法包含以下几个步骤：
(1)将OCT的血管腔部分作为ROI区域融合到IVUS图像中。
(2)计算ROI图像的梯度场
Figure BDA0001872473630000061
常见的算子有Sobel、Prewitt、Roberts算子，本实施例中使用Sobel算子，即采用如下两个3×3的矩阵求解图像的x,y方向的梯度向量。
Figure BDA0001872473630000062
(3)求IVUS图像的梯度场
Figure BDA0001872473630000063
同样利用Sobel算子与原图像卷积获得。
(4)计算融合图像的梯度场，即ROI图像的梯度场与IVUS图像的梯度场之和，
Figure BDA0001872473630000064
(5)求解融合图像dst的散度，散度是对梯度向量的计算，结果为标量，
Figure BDA0001872473630000065
(6)泊松融合算法中重建方程为Bx＝b，其中b是融合图像散度，由于系数矩阵B的特殊性，构造系数矩阵B，系数矩阵B是基于FFT的泊松方程求解得到的稀疏矩阵，已知散度b，x＝B-1b可以求得融合图像各个像素灰度值x，得到重建结果，即融合后的图像。
(7)对融合图像中OCT血管腔部分添加伪彩，即根据像素点的灰度值查找伪彩表获取相应的R,G,B通道的颜色分量。
(8)显示双模融合图像。
采用本实施例的技术方案，针对旋转角度先进行粗估计，即对旋转角度做了大致范围的估计，然后对内膜形态进行量化，再基于圆周相关算法可以准确的估计IVUS、OCT内膜旋转角度。并且在融合过程综合了下采样和泊松算法，使融合过程速度得以提升，同时保持较好的融合效果。如图4～图8所示，图4的IVUS待配准图像，IVUS管腔轮廓提取结果如图5所示；图5的OCT待配准图像，OCT管腔轮廊的提取结果如图7所示，由于内膜管腔在IVUS、OCT中的形态是一条闭合曲线，得到的距离序列可以代表闭合曲线的走向，再依据圆周相关算法找到闭合曲线走向最相近时对应的角度就是估计的最终旋转角度。最后经过融合后的图像如图8所示，可见采用本发明的方法进行融合后，得到的图像分辨率高，充分发挥IVUS成像的强组织穿透力和OCT成像高分辨率的优势。
以上内容是结合具体的优选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，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种双模图像自动融合方法，其特征在于：其包括以下步骤：
步骤S1，基于snake模型，分别提取IVUS与OCT的血管内膜点，逆时针间隔从内膜连续点中采集对应的点，并计算点到图像中心的距离，分别得到IVUS、OCT内膜点到图像中心的距离序列；计算两个距离序列之间的相似度；如果相似度小于预先设定的阈值，则不进行配准；如果大于预先设定的阈值，则继续下一步的配准过程；
步骤S2，分别通过IVUS、OCT血管管腔的内膜平均半径计算OCT图像和IVUS图像血管管腔的缩放系数；按照预先设定的角度范围及步长旋转IVUS图像，计算旋转后的IVUS图像与OCT图像的互信息，当互信息为最大值的时候对应的角度作为旋转角度的粗估计值，然后基于粗配准结果，采用圆周相关算法估计实际的旋转角度，对IVUS与OCT图像进行配准；
步骤S3，IVUS与OCT图像配准后，采用泊松融合算法对步骤S2变换后的IVUS图像和OCT原始图像进行融合；
步骤S2中，实际的旋转角度采用以下步骤得到：
步骤S201，获得IVUS，OCT内膜上的离散点序列及到图像中心的距离序列；
步骤S202，假设旋转角度粗估计值为Angle粗，设定角度搜索范围是
[Angle粗-δ，Angle粗+δ]，其中δ是偏移量，以step为搜索步长进行搜索；
步骤S203，将当前搜索角度θ转换为点个数，对IVUS内膜点距离序列循环移位；
步骤S204，计算移位后的序列与OCT内膜点距离序列的相似度；
步骤S205，相似度最大值对应的角度为最终的旋转角度；
步骤S3中，采用泊松融合算法对步骤S2变换后的IVUS图像和OCT原始图像进行融合包括以下步骤：
步骤S301，将OCT的血管管腔部分作为ROI区域融合到IVUS图像中；
步骤S302，计算ROI图像的梯度场
Figure FDA0004054051610000021
步骤S303，求IVUS图像的梯度场
Figure FDA0004054051610000022
步骤S304，计算融合图像的梯度场
Figure FDA0004054051610000023
步骤S305，求解融合图像dst的散度
Figure FDA0004054051610000024
步骤S306，重建方程Bx＝b，其中b是融合图像散度，构造系数矩阵B；已知散度b，通过x＝B-1b可以求得融合图像各个像素灰度值x，得到重建结果，即融合后的图像。
2.根据权利要求1所述的双模图像自动融合方法，其特征在于：步骤S1中，所述两个距离序列之间的相似度采用序列之间的欧式距离、直方图匹配或相关系数作为两个序列的相似度度量。
3.根据权利要求2所述的双模图像自动融合方法，其特征在于：所述相关系数为Pearson相关系数，所述Pearson相关系数为：
Figure FDA0004054051610000025
/>
其中X为IUVS图像内膜点到图像中心的距离集合
Figure FDA0004054051610000026
Y为OCT图像内膜点到图像中心的距离集合/>
Figure FDA0004054051610000027
i＝1、2、…、N；N是内膜上采集点的个数。
4.根据权利要求1所述的双模图像自动融合方法，其特征在于：步骤S2中，IVUS血管管腔的内膜平均半径通过IVUS内膜点到图像中心的距离序列平均值得到；OCT血管管腔的内膜平均半径通过OCT内膜点到图像中心的距离序列平均值得到；OCT图像血管管腔的缩放系数A采用以下公式计算得到：
Figure FDA0004054051610000031
5.根据权利要求1所述的双模图像自动融合方法，其特征在于：所述step设置为0.3或0.5度。
6.根据权利要求1所述的双模图像自动融合方法，其特征在于：步骤S302中，采用Sobel、Prewitt或Roberts算子计算图像的x,y方向的梯度向量。
7.根据权利要求1所述的双模图像自动融合方法，其特征在于：步骤S302中，采用Sobel算子计算图像的x,y方向的梯度向量，即两个3×3的矩阵求解图像的x,y方向的梯度向量，
Figure FDA0004054051610000032
步骤S303中，利用Sobel算子与原图像卷积获得IVUS图像的梯度场。
8.根据权利要求1所述的双模图像自动融合方法，其特征在于：还包括以下步骤：
步骤S307，对融合图像中OCT血管腔部分添加伪彩，显示双模融合图像。
9.根据权利要求1所述的双模图像自动融合方法，其特征在于：步骤S307中，添加伪彩采用根据像素点的灰度值查找伪彩表获取相应的R,G,B通道的颜色分量进行添加。
CN201811383658.XA 2018-11-20 2018-11-20 一种双模图像自动融合方法 Active CN109584195B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811383658.XA CN109584195B (zh) 2018-11-20 2018-11-20 一种双模图像自动融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811383658.XA CN109584195B (zh) 2018-11-20 2018-11-20 一种双模图像自动融合方法

Publications (2)

Publication Number Publication Date
CN109584195A CN109584195A (zh) 2019-04-05
CN109584195B true CN109584195B (zh) 2023-03-28

Family

ID=65922998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811383658.XA Active CN109584195B (zh) 2018-11-20 2018-11-20 一种双模图像自动融合方法

Country Status (1)

Country Link
CN (1) CN109584195B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667447A (zh) * 2020-06-05 2020-09-15 全景恒升（北京）科学技术有限公司 血管内图像融合方法、系统及图像采集装置
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
CN113096056B (zh) * 2021-04-06 2022-04-12 全景恒升（北京）科学技术有限公司 一种基于区域互补的血管内图像融合方法
CN113349737B (zh) * 2021-06-30 2023-05-26 深圳英美达医疗技术有限公司 一种血管内双模成像系统oct图像的校准方法
CN114155243B (zh) * 2022-02-09 2022-07-05 天津恒宇医疗科技有限公司 基于特征信息的ivus和oct图像融合方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009009802A1 (en) * 2007-07-12 2009-01-15 Volcano Corporation Oct-ivus catheter for concurrent luminal imaging
WO2012126070A1 (en) * 2011-03-24 2012-09-27 Katholieke Universiteit Leuven Automatic volumetric analysis and 3d registration of cross sectional oct images of a stent in a body vessel
CN104376549A (zh) * 2014-11-20 2015-02-25 华北电力大学（保定） 血管内超声与血管内oct图像的融合方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10354496B4 (de) * 2003-11-21 2011-03-31 Siemens Ag Medizinisches Untersuchungs- und/oder Behandlungssystem
DE102005037427A1 (de) * 2005-08-08 2007-02-15 Siemens Ag Verfahren zur Erfassung und Auswertung von vaskulären Untersuchungsdaten
US9629571B2 (en) * 2007-03-08 2017-04-25 Sync-Rx, Ltd. Co-use of endoluminal data and extraluminal imaging
US9292918B2 (en) * 2012-10-05 2016-03-22 Volcano Corporation Methods and systems for transforming luminal images
US9833221B2 (en) * 2013-03-15 2017-12-05 Lightlab Imaging, Inc. Apparatus and method of image registration
CN108198174B (zh) * 2017-12-28 2021-11-19 中科微光医疗研究中心(西安)有限公司 一种心血管ivoct与ivus自动配准方法与装置
CN108703774A (zh) * 2018-06-14 2018-10-26 华北电力大学（保定） 基于血管内超声-光声-oct的联合成像方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009009802A1 (en) * 2007-07-12 2009-01-15 Volcano Corporation Oct-ivus catheter for concurrent luminal imaging
WO2012126070A1 (en) * 2011-03-24 2012-09-27 Katholieke Universiteit Leuven Automatic volumetric analysis and 3d registration of cross sectional oct images of a stent in a body vessel
CN104376549A (zh) * 2014-11-20 2015-02-25 华北电力大学（保定） 血管内超声与血管内oct图像的融合方法

Also Published As

Publication number Publication date
CN109584195A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN109584195B (zh) 一种双模图像自动融合方法
US9092848B2 (en) Methods for automatic segmentation and temporal tracking
Katouzian et al. A state-of-the-art review on segmentation algorithms in intravascular ultrasound (IVUS) images
Zhang et al. Tissue characterization in intravascular ultrasound images
Loizou A review of ultrasound common carotid artery image and video segmentation techniques
US8824762B2 (en) Method and system for processing ultrasound data
Haas et al. Segmentation of 3D intravascular ultrasonic images based on a random field model
KR101932721B1 (ko) 의료 영상들의 정합 방법 및 장치
KR100961856B1 (ko) 초음파 영상을 형성하는 초음파 시스템 및 방법
CN113066091A (zh) 基于黑血管壁曲面重建的脑血管分割方法、装置及存储介质
JP2022506134A (ja) 医用画像内でのインターベンションデバイスの識別
EP2059173B1 (en) System and method for measuring left ventricular torsion
CN103190932A (zh) 一种冠状动脉血管壁应力和应变的估算方法
JP4963278B2 (ja) 分離測度を用いた重み付け最小二乗法による境界抽出
Carminati et al. Reconstruction of the descending thoracic aorta by multiview compounding of 3-d transesophageal echocardiographic aortic data sets for improved examination and quantification of atheroma burden
US20240115230A1 (en) Position estimation of an interventional device
Kubota et al. Polynomial-based boundary extraction of plaque in intravascular ultrasound image by using its local statistical information
Fouad et al. Cannula Localization Using Separate Plane Wave Ultrasound Measurements and a Deep Neural Network
US20230240645A1 (en) Systems and methods for measuring cardiac stiffness
Kumar Measurement of Carotid Artery Wall Thickness and Diameters from Magnetic Resonance and Ultrasound Images
Kumar et al. A semi-automatic method for carotid artery wall segmentation in MR images
Yang et al. Accurate ultrasound of carotid intima-media layer by pixel compounding
Seabra et al. Three-dimensional ultrasonic assessment of atherosclerotic plaques
Danilouchkine et al. Interframe registration of IVUS images due to catheter rotation with feature-based optical flow
Guo et al. Effect of 3D automated prostate segmentation for ultrasound image guided repeat biopsy application

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