CN109671091B - 一种非钙化斑检测方法及非钙化斑检测设备 - Google Patents
一种非钙化斑检测方法及非钙化斑检测设备 Download PDFInfo
- Publication number
- CN109671091B CN109671091B CN201910146976.2A CN201910146976A CN109671091B CN 109671091 B CN109671091 B CN 109671091B CN 201910146976 A CN201910146976 A CN 201910146976A CN 109671091 B CN109671091 B CN 109671091B
- Authority
- CN
- China
- Prior art keywords
- region
- plaque
- calcified plaque
- image
- blood vessel
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T7/136—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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种非钙化斑检测方法及设备,所述方法包括:获取血管影像的拉直图像;通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到第一非钙化斑候选区域;对所述血管影像的拉直图像进行灰度聚类,得到第二非钙化斑候选区域;对所得到的第一非钙化斑候选区域和第二非钙化斑候选区域进行交叠分析,从而得到所述血管影像的非钙化斑区域。本发明的非钙化斑检测设备根据非钙化斑检测方法来解决准确检出血管非钙化斑的问题。
Description
技术领域
本发明涉及医疗技术领域,尤其涉及一种非钙化斑检测方法及非钙化斑检测设备。
背景技术
随着社会经济的高速发展,生命健康已是关注度的热点,越来越多的血管疾病更是其中的重中之重。血管疾病的诊断离不开对血管形态的研究。在血管形态的研究中,血管软斑块的自动化检测具有重要的研究价值、临床价值和实际意义。
目前,为了保证检测到的软斑块是有效的,经常引发假阳性结果增多的问题。这样的结果不仅无法辅助医务人员的工作,反而会增加诊断的难度。因此,亟须提供一种能够准确检出血管软斑块检测的方法。
发明内容
本发明提供一种非钙化斑检测方法及非钙化斑检测设备,以解决血管软斑块的准确检测的问题。
本发明一方面提供一种非钙化斑检测方法,所述方法包括:获取血管影像的拉直图像;通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到第一非钙化斑候选区域;对所述血管影像的拉直图像进行灰度聚类,得到第二非钙化斑候选区域;对所得到的第一非钙化斑候选区域和第二非钙化斑候选区域进行交叠分析,从而得到所述血管影像的非钙化斑区域。
根据本发明一实施方式,通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到第一非钙化斑候选区域,包括:通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到非钙化斑检出位置和/或拉直分割的缺口,所述拉直分割的缺口为不在血管区域内的非钙化斑的位置;将非钙化斑检出位置和/或拉直分割的缺口确定为第一非钙化斑候选区域。
根据本发明一实施方式,所述对所述血管影像的拉直图像进行灰度聚类,得到第二非钙化斑候选区域,包括:通过所述拉直图像中CT值对所述血管影像的拉直图像进行分类筛选,得到分类结果,所述分类结果包括缓冲区域;当所述缓冲区域满足预设条件时,将所述缓冲区域归集到所述第二非钙化斑候选区域。
根据本发明一实施方式,所述对所得到的第一非钙化斑候选区域和第二非钙化斑候选区域进行交叠分析,从而得到所述血管影像的非钙化斑区域,包括:确定所述第一非钙化斑候选区域和第二非钙化斑候选区域的交叠部分;当所述交叠部分在第二非钙化斑候选区域的占比满足设定阈值时,将所述交叠部分确定为非钙化斑区域。
根据本发明一实施方式,在所述血管的宽度方向上,当所述第一非钙化斑候选区域包含于所述第二非钙化斑候选区域时,确定所述交叠部分为非钙化斑区域。
根据本发明的第二方面,还提供一种非钙化斑检测设备,所述设备包括:获取单元,用于获取血管影像的拉直图像;筛选单元,用于通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到第一非钙化斑候选区域;所述筛选单元还用于,对所述血管影像的拉直图像进行灰度聚类,得到第二非钙化斑候选区域;分析确定单元,用于对所得到的第一非钙化斑候选区域和第二非钙化斑候选区域进行交叠分析,从而得到所述血管影像的非钙化斑区域。
根据本发明一实施方式,所述筛选单元还用于,在通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到第一非钙化斑候选区域时,通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到非钙化斑检出位置和/或拉直分割的缺口,所述拉直分割的缺口为不在血管区域内的非钙化斑的位置;将非钙化斑检出位置和/或拉直分割的缺口确定为第一非钙化斑候选区域。
根据本发明一实施方式,所述筛选单元还用于,在所述对所述血管影像的拉直图像进行灰度聚类,得到第二非钙化斑候选区域时,通过所述拉直图像中CT值对所述血管影像的拉直图像进行分类筛选,得到分类结果,所述分类结果包括缓冲区域;当所述缓冲区域满足预设条件时,将所述缓冲区域归集到所述第二非钙化斑候选区域。
根据本发明一实施方式,所述分析确定单元还用于,在所述对所得到的第一非钙化斑候选区域和第二非钙化斑候选区域进行交叠分析,从而得到所述血管影像的非钙化斑区域时,确定所述第一非钙化斑候选区域和第二非钙化斑候选区域的交叠部分;当所述交叠部分在第二非钙化斑候选区域的占比满足设定阈值时,将所述交叠部分确定为非钙化斑区域。
根据本发明一实施方式,所述分析确定单元还用于,在所述血管的宽度方向上,当所述第一非钙化斑候选区域包含于所述第二非钙化斑候选区域时,确定所述交叠部分为非钙化斑区域。
本发明通过分割技术对血管影像的拉直图像来定位筛选软斑块,得到第一非钙化斑候选区域,再通过灰度聚类对拉直图像进行软斑块的分类筛选,得到第二非钙化斑候选区域,又通过数据融合分析和交叠分析得出交叠部分,并根据交叠部分的占比、交叠部分与非钙化斑候选区域在图像上的位置关系进行判断,确定非钙化斑的最终狭窄区域。这样,本发明的非钙化斑检测设备准确判断在非钙化斑筛选中的真阳性结果,使真阳性结果不被漏掉,又大幅降低非钙化斑筛选中的假阳性结果,提高非钙化斑自动检测的准确性,为血管形态的自动诊断提供具有更高的研究价值、临床价值和实际意义。
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出示了本发明实施例提供的一种非钙化斑检测方法的实现流程示意图;
图2出示了本发明实施例提供的一种非钙化斑检测设备的组成结构示意图;
图3出示了本发明实施例提供的通过分类筛选的一种示意图;
图4出示了本发明实施例提供的通过交叠分析的一种交叠示意图;
图5出示了本发明实施例提供的通过交叠分析的另一种交叠示意图。
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。
结合图1,本发明提供一种非钙化斑检测方法,所述方法包括:101、获取血管影像的拉直图像;102、通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到第一非钙化斑候选区域;103、对所述血管影像的拉直图像进行灰度聚类,得到第二非钙化斑候选区域;104、对所得到的第一非钙化斑候选区域和第二非钙化斑候选区域进行交叠分析,从而得到所述血管影像的非钙化斑区域。
在这里,操作101是接收血管影像的拉直图像;
操作102,根据分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到第一非钙化斑候选区域;在分割时,可以调低分割算法中的阈值,以检测尽可能多的狭窄区域,让更多的假阳性结果通过,虽然可靠性不足,但基本包含了真阳性结果,为接下来的筛选或检测操作提供更多的候选数据;非钙化斑的狭窄区域可以通过已知的算法中得到,如:利用图像分割技术,根据拉直图像设定的宽度值,对拉直图像进行非钙化斑的定位筛选,输出第一非钙化斑候选区域,第一非钙化斑候选区域为血管电子计算机扫描造影中非钙化斑模糊定位的区域;
操作103,对所述血管影像的拉直图像进行灰度聚类,得到第二非钙化斑候选区域;
操作104,对所得到的第一非钙化斑候选区域和第二非钙化斑候选区域进行交叠分析,从而得到所述血管影像的非钙化斑区域;交叠分析包括数据融合分析和交叠运算,输出交叠部分,并通过交叠部分在第一非钙化斑候选区域或第二非钙化斑候选区域的特征,来确定非钙化斑区域;在这里,将非钙化斑候选区域分割成若干个独立的小区域,然后进行单个小区域的交叠分析,最后叠加成一个完整的非钙化斑区域;在数据融合或交叠分析时,若第一非钙化斑候选区域与第二非钙化斑候选区域存在位置信息不匹配,可判断为假阳性结果,直接滤除,不再继续分析,更不用输出结果,以减少后续检测的工作量。
本发明通过分割技术对血管影像的拉直图像来定位筛选软斑块,得到第一非钙化斑候选区域,再通过灰度聚类对拉直图像进行软斑块的分类筛选,得到第二非钙化斑候选区域,又通过数据融合分析和交叠分析得出交叠部分,并根据交叠部分的占比、交叠部分与非钙化斑候选区域在图像上的位置关系进行判断,确定非钙化斑的最终狭窄区域。这样,本发明的非钙化斑检测方法准确判断在非钙化斑筛选中的真阳性结果,使真阳性结果不被漏掉,又大幅降低非钙化斑筛选中的假阳性结果,提高非钙化斑自动检测的准确性,为血管形态的自动诊断提供具有更高的研究价值、临床价值和实际意义。
根据本发明一实施方式,在操作102时,通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到非钙化斑检出位置和/或拉直分割的缺口,所述拉直分割的缺口为不在血管区域内的非钙化斑的位置;将非钙化斑检出位置和/或拉直分割的缺口确定为第一非钙化斑候选区域。
在这里,缺口是指拉直分割上可能出现非钙化斑的位置,在检测时,会尽量不将该处算做需要被分割出来的血管区域;这样,从拉直图像的血管区域来看,出现非钙化斑的位置就会形成一个缺口,与第一非钙化斑候选区域相比,缺口更与实际相符,是非钙化斑检测时的优选方案,降低假阳性结果,减少后续的检测工作量,但仍然包含了所有的真阳性结果,为接下来的筛选或检测操作提供更多的候选数据。
根据本发明一实施方式,在操作103时,通过所述拉直图像中CT值对所述血管影像的拉直图像进行分类筛选,得到分类结果,所述分类结果包括缓冲区域;当所述缓冲区域满足预设条件时,将所述缓冲区域归集到所述第二非钙化斑候选区域。
在这里,CT值是指血管的CT图像中各组织与X线衰减系数相当的一个对应值,优选的是灰度值;在灰度聚类时,除了背景区域、第二非钙化斑候选区域和血管区域3个分类以外,还可能存在一个缓冲区域,即分类结果包括背景区域、第二非钙化斑候选区域、血管区域和缓冲区域,缓冲区域为第4个分类,这里的缓冲区域可能是非钙化斑候选区域、也可能是正常血管或血管外的暗组织背景,因此需要对缓冲区域进行分析或判断;在分析时,缓冲区域的数量至少是一个,优选是两个;其中的预设条件是非钙化斑真阳性结果的形态,采用如下规则条件予以判断。
结合图3,从亮到暗,将拉直图像按灰度值聚类为1、2、3、4、5类,其中1类为血管区域,5类为血管外组织的背景区域,3类为第二非钙化斑候选区域,2类或4类为缓冲区域;判断的预设条件或规则条件:以3类为参考,若2类或4类出现在3类旁边,且在血管宽度方向上的邻接顺序为1、2、3类或1、3、4类,则将2或4类合并到3类,否则2类归到1类,4类归到5类。
根据本发明一实施方式,在操作104时,确定所述第一非钙化斑候选区域和第二非钙化斑候选区域的交叠部分;当所述交叠部分在第二非钙化斑候选区域的占比满足设定阈值时,将所述交叠部分确定为非钙化斑区域。
当交叠部分在第二非钙化斑候选区域的占比不满足设定阈值时,确定该交叠部分为假阳性结果,直接滤除,减少后续分析的工作量。
根据本发明一实施方式,在所述血管的宽度方向上,当所述第一非钙化斑候选区域包含于所述第二非钙化斑候选区域时,确定所述交叠部分为非钙化斑区域。
对于非钙化斑的真阳性结果来说,在对应位置的交叠分析中,通过在拉直图像上做拉直分割后的第一非钙化斑候选区域的狭窄区域或缺口,其外形或大小肯定不会大于通过拉直图像进行灰度值分类筛选的第二非钙化斑候选区域,且该狭窄区域或缺口存在被软斑块候选区域完全覆盖的特点,即第一非钙化斑候选区域包含于第二非钙化斑候选区域,如图4、图5所示。因此设置了交叠分析的一个判断原则,具体为:放宽交叠部分占比的要求,但在血管的宽度方向或图4、图5所示的左右方向上,第二非钙化斑候选区域把第一非钙化斑候选区域完全覆盖。
结合图2,本发明还提供一种非钙化斑检测设备,所述设备包括:获取单元201,用于获取血管影像的拉直图像;筛选单元202,用于通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到第一非钙化斑候选区域;所述筛选单元202还用于,对所述血管影像的拉直图像进行灰度聚类,得到第二非钙化斑候选区域;分析确定单元203,用于对所得到的第一非钙化斑候选区域和第二非钙化斑候选区域进行交叠分析,从而得到所述血管影像的非钙化斑区域。
根据本发明一实施方式,所述筛选单元202还用于,在操作102时,通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到非钙化斑检出位置和/或拉直分割的缺口,所述拉直分割的缺口为不在血管区域内的非钙化斑的位置;将非钙化斑检出位置和/或拉直分割的缺口确定为第一非钙化斑候选区域。
根据本发明一实施方式,所述筛选单元202还用于,在操作103时,通过所述拉直图像中CT值对所述血管影像的拉直图像进行分类筛选,得到分类结果,所述分类结果包括缓冲区域;当所述缓冲区域满足预设条件时,将所述缓冲区域归集到所述第二非钙化斑候选区域。
根据本发明一实施方式,所述分析确定单元203还用于,在操作104时,确定所述第一非钙化斑候选区域和第二非钙化斑候选区域的交叠部分;当所述交叠部分在第二非钙化斑候选区域的占比满足设定阈值时,将所述交叠部分确定为非钙化斑区域。
根据本发明一实施方式,所述分析确定单元203还用于,在所述血管的宽度方向上,当所述第一非钙化斑候选区域包含于所述第二非钙化斑候选区域时,确定所述交叠部分为非钙化斑区域。
这样,本发明的非钙化斑设备可以准确判断血管非钙化斑的真阳性结果,又可以使假阳性结果得到更好的控制,提高非钙化斑诊断的准确性,最终实现血管形态的自动诊断具有更高的研究价值、临床价值和实际意义。
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 (8)
1.一种非钙化斑检测方法,其特征在于,所述方法包括:
获取血管影像的拉直图像;
通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到第一非钙化斑候选区域;
对所述血管影像的拉直图像进行灰度聚类,得到第二非钙化斑候选区域;
对所得到的第一非钙化斑候选区域和第二非钙化斑候选区域进行交叠分析,从而得到所述血管影像的非钙化斑区域,
其中,所述对所述血管影像的拉直图像进行灰度聚类,得到第二非钙化斑候选区域,包括:
通过所述拉直图像中CT值对所述血管影像的拉直图像进行分类筛选,得到分类结果,所述分类结果包括缓冲区域;
当所述缓冲区域满足预设条件时,将所述缓冲区域归集到所述第二非钙化斑候选区域;
所述预设条件包括:从亮到暗,将拉直图像按灰度值聚类为1、2、3、4、5类,其中1类为血管区域,5类为血管外组织的背景区域,3类为第二非钙化斑候选区域,2类或4类为缓冲区域,以3类为参考,若2类或4类出现在3类旁边,且在血管宽度方向上的邻接顺序为1、2、3类或1、3、4类,则将2或4类合并到3类。
2.根据权利要求1所述的方法,其特征在于,通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到第一非钙化斑候选区域,包括:
通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到非钙化斑检出位置和/或拉直分割的缺口,所述拉直分割的缺口为不在血管区域内的非钙化斑的位置;
将非钙化斑检出位置和/或拉直分割的缺口确定为第一非钙化斑候选区域。
3.根据权利要求1所述的方法,其特征在于,所述对所得到的第一非钙化斑候选区域和第二非钙化斑候选区域进行交叠分析,从而得到所述血管影像的非钙化斑区域,包括:
确定所述第一非钙化斑候选区域和第二非钙化斑候选区域的交叠部分;
当所述交叠部分在第二非钙化斑候选区域的占比满足设定阈值时,将所述交叠部分确定为非钙化斑区域。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
在所述血管的宽度方向上,当所述第一非钙化斑候选区域包含于所述第二非钙化斑候选区域时,确定所述交叠部分为非钙化斑区域。
5.一种非钙化斑检测设备,其特征在于,所述设备包括:
获取单元,用于获取血管影像的拉直图像;
筛选单元,用于通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到第一非钙化斑候选区域;
所述筛选单元还用于,对所述血管影像的拉直图像进行灰度聚类,得到第二非钙化斑候选区域;
分析确定单元,用于对所得到的第一非钙化斑候选区域和第二非钙化斑候选区域进行交叠分析,从而得到所述血管影像的非钙化斑区域,
所述筛选单元还用于,在所述对所述血管影像的拉直图像进行灰度聚类,得到第二非钙化斑候选区域时,通过所述拉直图像中CT值对所述血管影像的拉直图像进行分类筛选,得到分类结果,所述分类结果包括缓冲区域;
当所述缓冲区域满足预设条件时,将所述缓冲区域归集到所述第二非钙化斑候选区域,
所述预设条件包括:从亮到暗,将拉直图像按灰度值聚类为1、2、3、4、5类,其中1类为血管区域,5类为血管外组织的背景区域,3类为第二非钙化斑候选区域,2类或4类为缓冲区域,以3类为参考,若2类或4类出现在3类旁边,且在血管宽度方向上的邻接顺序为1、2、3类或1、3、4类,则将2或4类合并到3类。
6.根据权利要求5所述的设备,其特征在于,
所述筛选单元还用于,在通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到第一非钙化斑候选区域时,通过分割技术对所述血管影像的拉直图像进行斑块定位筛选,得到非钙化斑检出位置和/或拉直分割的缺口,所述拉直分割的缺口为不在血管区域内的非钙化斑的位置;
将非钙化斑检出位置和/或拉直分割的缺口确定为第一非钙化斑候选区域。
7.根据权利要求5所述的设备,其特征在于,
所述分析确定单元还用于,在所述对所得到的第一非钙化斑候选区域和第二非钙化斑候选区域进行交叠分析,从而得到所述血管影像的非钙化斑区域时,确定所述第一非钙化斑候选区域和第二非钙化斑候选区域的交叠部分;
当所述交叠部分在第二非钙化斑候选区域的占比满足设定阈值时,将所述交叠部分确定为非钙化斑区域。
8.根据权利要求5所述的设备,其特征在于,
所述分析确定单元还用于,在所述血管的宽度方向上,当所述第一非钙化斑候选区域包含于所述第二非钙化斑候选区域时,确定所述交叠部分为非钙化斑区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910146976.2A CN109671091B (zh) | 2019-02-27 | 2019-02-27 | 一种非钙化斑检测方法及非钙化斑检测设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910146976.2A CN109671091B (zh) | 2019-02-27 | 2019-02-27 | 一种非钙化斑检测方法及非钙化斑检测设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109671091A CN109671091A (zh) | 2019-04-23 |
CN109671091B true CN109671091B (zh) | 2021-01-01 |
Family
ID=66152142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910146976.2A Active CN109671091B (zh) | 2019-02-27 | 2019-02-27 | 一种非钙化斑检测方法及非钙化斑检测设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109671091B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034491B (zh) * | 2021-04-16 | 2021-10-08 | 北京安德医智科技有限公司 | 一种冠脉钙化斑块检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108932714A (zh) * | 2018-07-23 | 2018-12-04 | 苏州润心医疗器械有限公司 | 冠脉ct图像的斑块分类方法 |
-
2019
- 2019-02-27 CN CN201910146976.2A patent/CN109671091B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108932714A (zh) * | 2018-07-23 | 2018-12-04 | 苏州润心医疗器械有限公司 | 冠脉ct图像的斑块分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109671091A (zh) | 2019-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1035508B1 (en) | Automated method and system for the segmentation of medical images | |
Chawla et al. | A method for automatic detection and classification of stroke from brain CT images | |
CA2552875C (en) | System and method for filtering a medical image | |
EP0757544B1 (en) | Computerized detection of masses and parenchymal distortions | |
Bouma et al. | Automatic detection of pulmonary embolism in CTA images | |
US8687867B1 (en) | Computer-aided detection and classification of suspicious masses in breast imagery | |
Panetta et al. | Automated detection of COVID-19 cases on radiographs using shape-dependent Fibonacci-p patterns | |
US20110026791A1 (en) | Systems, computer-readable media, and methods for classifying and displaying breast density | |
JP2004000609A (ja) | 多重エネルギ画像による計算機支援診断 | |
JPH10500321A (ja) | 医用コンピュータ断層撮影スキャンで病変を検出するための自動化された方法およびシステム | |
Carreira et al. | Computer‐aided diagnoses: Automatic detection of lung nodules | |
JP2005526583A (ja) | 車輪状投影分析を用いた肺結節検出 | |
Tello-Mijares et al. | Computed Tomography Image Processing Analysis in COVID‐19 Patient Follow‐Up Assessment | |
US7203349B2 (en) | Bronchial wall thickening recognition for reduced false-positives in pulmonary nodule detection | |
CN109671091B (zh) | 一种非钙化斑检测方法及非钙化斑检测设备 | |
US20220061920A1 (en) | Systems and methods for measuring the apposition and coverage status of coronary stents | |
Orbán et al. | Algorithm fusion to improve detection of lung cancer on chest radiographs | |
Ali et al. | Segmenting retinal blood vessels with gabor filter and automatic binarization | |
AU2021103578A4 (en) | A Novel Method COVID -19 infection using Deep Learning Based System | |
KR102384083B1 (ko) | 자기공명영상을 이용한 천장관절염 진단 및 염증 정도를 평가하기 위한 장치 및 방법 | |
Giordano et al. | Automatic skeletal bone age assessment by integrating EMROI and CROI processing | |
Carnimeo et al. | A voting procedure supported by a neural validity classifier for optic disk detection | |
Mohamed et al. | Computer aided diagnosis of digital mammograms | |
Kapileswar et al. | Deep learning algorithm for classification and prediction of COVID-19 Pneumonia using CT scan images | |
Tomar et al. | A visual attention-based algorithm for brain tumor detection using an on-center saliency map and a superpixel-based framework |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210325 Address after: Room 313 and 315, Building No. 11, Innovation Road, Changping District, Beijing 102200 Patentee after: YUKUN (BEIJING) NETWORK TECHNOLOGY Co.,Ltd. Address before: 100102 No. 501 No. 12, 5th floor, No. 6, Wangjing Dongyuan District 4, Chaoyang District, Beijing Patentee before: SHUKUN (BEIJING) NETWORK TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |