CN109859205A - 一种斑块检测方法及斑块检测设备 - Google Patents
一种斑块检测方法及斑块检测设备 Download PDFInfo
- Publication number
- CN109859205A CN109859205A CN201910133908.2A CN201910133908A CN109859205A CN 109859205 A CN109859205 A CN 109859205A CN 201910133908 A CN201910133908 A CN 201910133908A CN 109859205 A CN109859205 A CN 109859205A
- Authority
- CN
- China
- Prior art keywords
- image
- reference picture
- narrow zone
- indicatrix
- curve
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种斑块检测方法及设备，所述方法包括：获取血管影像的拉直图像和参考图像；利用分割技术对所述拉直图像进行斑块定位筛选，得到第一狭窄区域，所述第一狭窄区域为对应所述血管影像中斑块模糊定位的区域；创建所述参考图像的特征曲线；在所创建的所述参考图像的特征曲线上对所得到的第一狭窄区域进行假阳分析，从而得到第二狭窄区域，所述第二狭窄区域为对应所述血管影像中斑块精准定位的区域。本发明的斑块检测设备根据斑块检测方法来解决在血管斑块检测中尽可能减少假阳的问题。
Description
技术领域
本发明涉及医疗技术领域，尤其涉及一种斑块检测方法及斑块检测设备。
背景技术
随着社会经济的高速发展，血管疾病已是关注度极高的话题。血管疾病的治疗技术和预防水平是其中的重中之重。不管是治疗，还是预防，都离不开对血管形态的研究。因此，血管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。
然而，在目前的血管斑块检测中，为了保证检测到的斑块是有效的，经常引发假阳增多的问题。这不仅不能为实际工作提供正确的依据，还给医务人员增加了负担。因此，在后续的血管斑块检测中有必要在保证召回率的同时，尽可能减少假阳情况的发生，以满足当前医疗服务的需求。
发明内容
本发明提供一种斑块检测方法及斑块检测设备，以解决在血管斑块的检测过程中假阳增多的问题。
本发明一方面提供一种斑块检测方法，所述方法包括：获取血管影像的拉直图像和参考图像；利用分割技术对所述拉直图像进行斑块定位筛选，得到第一狭窄区域，所述第一狭窄区域为对应所述血管影像中斑块模糊定位的区域；创建所述参考图像的特征曲线；在所创建的所述参考图像的特征曲线上对所得到的第一狭窄区域进行假阳分析，从而得到第二狭窄区域，所述第二狭窄区域为对应所述血管影像中斑块精准定位的区域。
根据本发明一实施方式，所述参考图像为如下图像至少之一：短轴体图像，曲面重建CPR图像及原始图像。
根据本发明一实施方式，所述参考图像为短轴体图像时，所述创建所述参考图像的特征曲线包括：利用所述短轴体图像在轴向方向上的面积特征创建对应的面积曲线；或，利用所述短轴体图像在轴向方向上的亮度特征创建对应的亮度曲线。
根据本发明一实施方式，在所创建的所述参考图像的特征曲线上对所得到的第一狭窄区域进行假阳分析，包括：若所述第一狭窄区域在所述特征曲线上存在有特征值变化位置，则确定所述特征值突变位置为真阳，并归集到第二狭窄区域中；若所述第一狭窄区域在所述特征曲线上存在有特征值保持位置，则确定所述特征值保持位置为假阳。
根据本发明一实施方式，所述方法还包括：通过深度学习方法学习所述特征曲线的特征值变化位置的特征，来与对应于所述参考图像的训练曲线进行对比，判断所述训练曲线是否存在真阳；若所述训练曲线存在真阳，则确定所述训练曲线为目标曲线。
根据本发明一实施方式，在获取血管影像的拉直图像和参考图像，包括：获取对应于所述参考图像的训练图像，通过深度学习方法学习所述参考图像的特征，来与对应于所述参考图像的训练图像进行对比，得到对应于所述训练图像的对比结果；当所述对比结果满足预设条件时，将所述训练图像确定为目标图像。
根据本发明一实施方式，所述方法还包括：根据所述参考图像中血管区域的理论位置信息或权值信息，对所述参考图像进行滤除处理，以滤除所述参考图像中的非血管区域。
根据本发明的第二方面，还提供一种斑块检测设备，所述斑块检测设备包括：获取单元，用于获取血管影像的拉直图像和参考图像；筛选单元，用于利用分割技术对所述拉直图像进行斑块定位筛选，得到第一狭窄区域，所述第一狭窄区域为对应所述血管影像中斑块模糊定位的区域；创建单元，用于创建所述参考图像的特征曲线；分析确定单元，用于在所创建的所述参考图像的特征曲线上对所得到的第一狭窄区域进行假阳分析，从而得到第二狭窄区域，所述第二狭窄区域为对应所述血管影像中斑块精准定位的区域。
根据本发明一实施方式，所述参考图像为如下图像至少之一：短轴体图像，CPR图像及原始图像。
根据本发明一实施方式，所述创建单元还用于，在所述参考图像为短轴体图像时，利用所述短轴体图像在轴向方向上的面积特征创建对应的面积曲线；或，利用所述短轴体图像在轴向方向上的亮度特征创建对应的亮度曲线。
本发明通过分割技术对血管影像中的拉直图像进行斑块定位筛选，得到第一狭窄区域，再创建与拉直图像相对应的参考图像的特征曲线，并进行假阳分析，对斑块的第一狭窄区域进行进一步的筛选，得到第二狭窄区域，以滤除掉绝大部分的假阳结果，得到最终的狭窄区域；同时在筛选的过程中，增加了多个回检操作，如通过深度学习方法对拉直图像、参考图像以及参考图像的特征曲线进行回检，并对回检操作过程都放宽了检测条件的限制，容忍更多的假阳，以保证斑块的真阳不丢失。这样，本发明的斑块检测设备在后续的血管斑块检测中保证召回率的同时，尽可能减少假阳情况的发生，大幅降低斑块筛选中的假阳，可以在最终的狭窄区域内更好的控制假阳结果，提高斑块自动检测的准确性，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计算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计算设备的组成结构示意图；
图3出示了本发明实施例提供的一种计算方法应用在短轴图像上的面积曲线图；
图4出示了本发明实施例提供的一种计算方法应用在短轴图像上的亮度曲线图。
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，本发明提供一种斑块检测方法，所述方法包括：101、获取血管影像的拉直图像和参考图像；102、利用分割技术对所述拉直图像进行斑块定位筛选，得到第一狭窄区域，所述第一狭窄区域为对应所述血管影像中斑块模糊定位的区域；103、创建所述参考图像的特征曲线；104、在所创建的所述参考图像的特征曲线上对所得到的第一狭窄区域进行假阳分析，从而得到第二狭窄区域，所述第二狭窄区域为对应所述血管影像中斑块精准定位的区域。
在这里，操作101，得到血管影像中的拉直图像以及与拉直图像相对应的参考图像；操作102，通过分割技术对所述拉直图像进行斑块定位筛选，得到第一狭窄区域，所述第一狭窄区域为对应所述血管影像中斑块模糊定位的区域，这样的操作，检测了尽可能多的拉直图像的狭窄区域，可容忍第一狭窄区域有较多的假阳，也包含了尽可能多的真阳，其中的分割技术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；操作103，创建参考图像的特征曲线；在操作103的基础上再操作104，通过参考图像的特征曲线上对所得到的第一狭窄区域进行假阳分析，得到第二狭窄区域，即斑块精准定位的区域，以待后续进一步的研究。
具体的，获取血管影像的拉直图像以及与拉直图像相对应的参考图像；利用图像分割的技术对拉直图像进行斑块定位筛选，得到第一狭窄区域，第一狭窄区域为对应血管影像中斑块模糊定位的区域；创建参考图像的特征曲线；在所创建的参考图像的特征曲线上对所得到的第一狭窄区域进行假阳分析，从而得到第二狭窄区域，第二狭窄区域为对应所述血管影像中斑块精准定位的区域。
这样的斑块检测方法，检测了尽可能多的拉直图像的狭窄区域，并通过参考图像以及参考图像的特征曲线滤除了较多的假阳，而且第二狭窄区域基本包括了所有的真阳。
本发明通过分割技术对血管影像中的拉直图像进行斑块定位筛选，得到第一狭窄区域，再创建与拉直图像相对应的参考图像的特征曲线，并进行假阳分析，对斑块的第一狭窄区域进行进一步的筛选，得到第二狭窄区域，以滤除掉绝大部分的假阳结果，得到最终的狭窄区域；同时在筛选的过程中，增加了多个回检操作，如通过深度学习方法对拉直图像、参考图像以及参考图像的特征曲线进行回检，并对回检操作过程都放宽了检测条件的限制，容忍更多的假阳，以保证斑块的真阳不丢失。这样，本发明的斑块检测方法在后续的血管斑块检测中保证召回率的同时，尽可能减少假阳情况的发生，大幅降低斑块筛选中的假阳，可以在最终的狭窄区域内更好的控制假阳结果，提高斑块自动检测的准确性，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，所述参考图像为如下图像至少之一：短轴体图像，CPR图像及原始图像。
在斑块定位筛选时，与拉直图像筛选出的第一狭窄区域相比，短轴体图像上看得准确，CPR图像上看得更明显，而原始图像提供的数据更可靠；以短轴体图像，CPR图像及原始图像作为参考图像，为最终筛选出的狭窄区域提供更好的支持；血管的形态存在弯曲的位置，因此以短轴体图像为参考图像中的优选。
根据本发明一实施方式，所述参考图像为短轴体图像时，所述创建所述参考图像的特征曲线包括：利用所述短轴体图像在轴向方向上的面积特征创建对应的面积曲线；或，利用所述短轴体图像在轴向方向上的亮度特征创建对应的亮度曲线。
通过图像分割技术，可以得到与拉直图像相对应的短轴体图像，再通过像素计算短轴体图像的血管区域的面积，得出面积值，然后创建基于轴向位置与面积值的面积曲线，如图3所示；同样的方法，创建基于轴向位置与亮度值的亮度曲线，如图4所示；此过程将通过在图像上筛选斑块转换成通过曲线的特征来检测斑块，工作效率大幅提高。
根据本发明一实施方式，在所创建的所述参考图像的特征曲线上对所得到的第一狭窄区域进行假阳分析，包括：若所述第一狭窄区域在所述特征曲线上存在有特征值变化位置，则确定所述特征值突变位置为真阳，并归集到第二狭窄区域中；若所述第一狭窄区域在所述特征曲线上存在有特征值保持位置，则确定所述特征值保持位置为假阳。
结合图3，狭窄1为真阳、狭窄2为假阳，特征值为面积值，特征值变化位置为面积值的U型曲线段，特征值保持位置为；结合图4，狭窄1为真阳、狭窄2为假阳，特征值为亮度值，特征值变化位置为亮度值的U型曲线段；即特征值变化位置为U型曲线段的位置，特征值保持位置为除了U型曲线段的其他位置。
需要补充的是，在面积曲线和亮度曲线的相同位置同时出现U型曲线段，才确定特征值突变位置为真阳；只有在面积曲线或亮度曲线上出现U型曲线段，或者亮度曲线和面积曲线都没有出现U型曲线段，都确定该位置为假阳，即确定所述特征值保持位置为假阳。
通过面积曲线和亮度曲线的特征值相结合来判断真阳或假阳，不仅在极大程度上降低了假阳，且真阳的计算较为准确，同样的方法可以应用到CPR图像或原始图像上，通过综合筛选和判断，与一般筛选或检测方法相比，最终的狭窄区域较为准确，之后计算狭窄率的操作将更为准确，提供的数据或参数更加有利于科学研究、临床诊断。
根据本发明一实施方式，所述方法还包括：通过深度学习方法学习所述特征曲线的特征值变化位置的特征，来与对应于所述参考图像的训练曲线进行对比，判断所述训练曲线是否存在真阳；若所述训练曲线存在真阳，则确定所述训练曲线为目标曲线。
通过深度学习方法学习特征曲线的特征，对所得到的第一狭窄区域进行假阳分析后的特征曲线进行回检操作，防止真阳的丢失，进一步提高最终的狭窄区域的准确性。
根据本发明一实施方式，在获取血管影像的拉直图像和参考图像，包括：获取对应于所述参考图像的训练图像，通过深度学习方法学习所述参考图像的特征，来与对应于所述参考图像的训练图像进行对比，得到对应于所述训练图像的对比结果；当所述对比结果满足预设条件时，将所述训练图像确定为目标图像。
通过深度学习方法学习参考图像的特征，对所得到的第一狭窄区域进行假阳分析后的特征曲线进行回检操作，防止真阳的丢失，进一步提高最终的狭窄区域的准确性。
根据本发明一实施方式，所述方法还包括：根据所述参考图像中血管区域的理论位置信息或权值信息，对所述参考图像进行滤除处理，以滤除所述参考图像中的非血管区域。
无论在回检还是在筛选时，狭窄区域都不会超出血管区域，即血管壁以外的区域。因此，通过理论位置信息可以滤除许多不必进行处理的区域或数据，进一步提高回检效率或筛选效率，同样的方法可以应用到其他参考图像或拉直图像上。特别的，短轴体图像的训练数据可以是被处理的，在短轴体图像中，血管区域的权值较高，而非血管区域的权值较低，因此通过权值信息就可以滤除短轴体图像中的非血管区域的图像或数据。
结合图2，本发明还提供一种斑块检测设备，所述设备包括：获取单元201，用于获取血管影像的拉直图像和参考图像；筛选单元202，用于利用分割技术对所述拉直图像进行斑块定位筛选，得到第一狭窄区域，所述第一狭窄区域为对应所述血管影像中斑块模糊定位的区域；创建单元203，用于创建所述参考图像的特征曲线；分析确定单元204，用于在所创建的所述参考图像的特征曲线上对所得到的第一狭窄区域进行假阳分析，从而得到第二狭窄区域，所述第二狭窄区域为对应所述血管影像中斑块精准定位的区域。
根据本发明一实施方式，所述参考图像为如下图像至少之一：短轴体图像，CPR图像及原始图像。
根据本发明一实施方式，所述创建单元203还用于，在所述参考图像为短轴体图像时，利用所述短轴体图像在轴向方向上的面积特征创建对应的面积曲线；或，利用所述短轴体图像在轴向方向上的亮度特征创建对应的亮度曲线。
根据本发明一实施方式，所述创建单元203还用于，在所述参考图像为短轴体图像时，所述创建所述参考图像的特征曲线包括：利用所述短轴体图像在轴向方向上的面积特征创建对应的面积曲线；或，利用所述短轴体图像在轴向方向上的亮度特征创建对应的亮度曲线。
根据本发明一实施方式，所述分析确定单元204还用于，在所创建的所述参考图像的特征曲线上对所得到的第一狭窄区域进行假阳分析，包括：若所述第一狭窄区域在所述特征曲线上存在有特征值变化位置，则确定所述特征值突变位置为真阳，并归集到第二狭窄区域中；若所述第一狭窄区域在所述特征曲线上存在有特征值保持位置，则确定所述特征值保持位置为假阳。
根据本发明一实施方式，所述设备还包括学习单元，所述学习单元用于通过深度学习方法学习所述特征曲线的特征值变化位置的特征，来与对应于所述参考图像的训练曲线进行对比，判断所述训练曲线是否存在真阳；若所述训练曲线存在真阳，确定所述训练曲线为目标曲线。
根据本发明一实施方式，所述学习单元还用于，在获取血管影像的拉直图像和参考图像，包括：获取对应于所述参考图像的训练图像，通过深度学习方法学习所述参考图像的特征，来与对应于所述参考图像的训练图像进行对比，得到对应于所述训练图像的对比结果，当所述对比结果满足预设条件时，将所述训练图像确定为目标图像。
根据本发明一实施方式，所述设备还包括规则单元，所述规则单元用于根据所述参考图像中血管区域的理论位置信息或权值信息，对所述参考图像进行滤除处理，以滤除所述参考图像中的非血管区域。
这样，本发明的计算设备可以让假阳得到更好的控制，提高斑块诊断的准确性与精准度，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 (10)
1.一种斑块检测方法，其特征在于，所述方法包括：
获取血管影像的拉直图像和参考图像；
利用分割技术对所述拉直图像进行斑块定位筛选，得到第一狭窄区域，所述第一狭窄区域为对应所述血管影像中斑块模糊定位的区域；
创建所述参考图像的特征曲线；
在所创建的所述参考图像的特征曲线上对所得到的第一狭窄区域进行假阳分析，从而得到第二狭窄区域，所述第二狭窄区域为对应所述血管影像中斑块精准定位的区域。
2.根据权利要求1所述的方法，其特征在于，所述参考图像为如下图像至少之一：短轴体图像，曲面重建CPR图像及原始图像。
3.根据权利要求1所述的方法，其特征在于，所述参考图像为短轴体图像时，所述创建所述参考图像的特征曲线包括：
利用所述短轴体图像在轴向方向上的面积特征创建对应的面积曲线；
或，利用所述短轴体图像在轴向方向上的亮度特征创建对应的亮度曲线。
4.根据权利要求1所述的方法，其特征在于，在所创建的所述参考图像的特征曲线上对所得到的第一狭窄区域进行假阳分析，包括：
若所述第一狭窄区域在所述特征曲线上存在有特征值变化位置，则确定所述特征值突变位置为真阳，并归集到第二狭窄区域中；
若所述第一狭窄区域在所述特征曲线上存在有特征值保持位置，则确定所述特征值保持位置为假阳。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
通过深度学习方法学习所述特征曲线的特征值变化位置的特征，来与对应于所述参考图像的训练曲线进行对比，判断所述训练曲线是否存在真阳；
若所述训练曲线存在真阳，则确定所述训练曲线为目标曲线。
6.根据权利要求1所述的方法，其特征在于，在获取血管影像的拉直图像和参考图像，包括：
获取对应于所述参考图像的训练图像，通过深度学习方法学习所述参考图像的特征，来与对应于所述参考图像的训练图像进行对比，得到对应于所述训练图像的对比结果；
当所述对比结果满足预设条件时，将所述训练图像确定为目标图像。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
根据所述参考图像中血管区域的理论位置信息或权值信息，对所述参考图像进行滤除处理，以滤除所述参考图像中的非血管区域。
8.一种斑块检测设备，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和参考图像；
筛选单元，用于利用分割技术对所述拉直图像进行斑块定位筛选，得到第一狭窄区域，所述第一狭窄区域为对应所述血管影像中斑块模糊定位的区域；
创建单元，用于创建所述参考图像的特征曲线；
分析确定单元，用于在所创建的所述参考图像的特征曲线上对所得到的第一狭窄区域进行假阳分析，从而得到第二狭窄区域，所述第二狭窄区域为对应所述血管影像中斑块精准定位的区域。
9.根据权利要求8所述的设备，其特征在于，
所述参考图像为如下图像至少之一：短轴体图像，CPR图像及原始图像。
10.根据权利要求8所述的设备，其特征在于，
所述创建单元还用于，在所述参考图像为短轴体图像时，利用所述短轴体图像在轴向方向上的面积特征创建对应的面积曲线；或，利用所述短轴体图像在轴向方向上的亮度特征创建对应的亮度曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910133908.2A CN109859205B (zh) | 2019-02-22 | 2019-02-22 | 一种斑块检测方法及斑块检测设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910133908.2A CN109859205B (zh) | 2019-02-22 | 2019-02-22 | 一种斑块检测方法及斑块检测设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109859205A true CN109859205A (zh) | 2019-06-07 |
| CN109859205B CN109859205B (zh) | 2021-03-19 |
Family
ID=66898660
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910133908.2A Active CN109859205B (zh) | 2019-02-22 | 2019-02-22 | 一种斑块检测方法及斑块检测设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109859205B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037170A (zh) * | 2020-07-23 | 2020-12-04 | 上海交通大学附属第六人民医院 | 一种血管狭窄的检出方法、装置以及计算机存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103892861A (zh) * | 2012-12-28 | 2014-07-02 | 北京思创贯宇科技开发有限公司 | 一种基于ct-xa 图像多维融合的模拟导航系统及方法 |
| US20170251931A1 (en) * | 2016-03-04 | 2017-09-07 | University Of Manitoba | Intravascular Plaque Detection in OCT Images |
| 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 |
| CN108765363A (zh) * | 2018-03-24 | 2018-11-06 | 语坤（北京）网络科技有限公司 | 一种基于人工智能的冠脉cta自动后处理系统 |
| CN108932720A (zh) * | 2018-07-24 | 2018-12-04 | 深圳先进技术研究院 | 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法 |
-
2019
- 2019-02-22 CN CN201910133908.2A patent/CN109859205B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103892861A (zh) * | 2012-12-28 | 2014-07-02 | 北京思创贯宇科技开发有限公司 | 一种基于ct-xa 图像多维融合的模拟导航系统及方法 |
| US20170251931A1 (en) * | 2016-03-04 | 2017-09-07 | University Of Manitoba | Intravascular Plaque Detection in OCT Images |
| 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 |
| CN108765363A (zh) * | 2018-03-24 | 2018-11-06 | 语坤（北京）网络科技有限公司 | 一种基于人工智能的冠脉cta自动后处理系统 |
| CN108932720A (zh) * | 2018-07-24 | 2018-12-04 | 深圳先进技术研究院 | 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙巧榆 等: "基于模糊C均值法的CTA图像管状动脉狭窄量化", 《东南大学学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037170A (zh) * | 2020-07-23 | 2020-12-04 | 上海交通大学附属第六人民医院 | 一种血管狭窄的检出方法、装置以及计算机存储介质 |
| CN112037170B (zh) * | 2020-07-23 | 2021-08-03 | 上海交通大学附属第六人民医院 | 一种血管狭窄的检出方法、装置以及计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109859205B (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Boaretto et al. | Automated detection of welding defects in pipelines from radiographic images DWDI | |
| Liao et al. | Automatic segmentation for cell images based on bottleneck detection and ellipse fitting | |
| US20130216118A1 (en) | Centromere Detector and Method for Determining Radiation Exposure From Chromosome Abnormalities | |
| CN111666993A (zh) | 医学图像样本筛查方法、装置、计算机设备和存储介质 | |
| CN110490892A (zh) | 一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法 | |
| CN107564002A (zh) | 塑料管表面缺陷检测方法、系统及计算机可读存储介质 | |
| CN104619257A (zh) | 用于医学图像中的肺结节的自动化检测的系统和方法 | |
| CN111507932A (zh) | 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 | |
| CN108629378A (zh) | 图像识别方法和设备 | |
| Lux et al. | Cell segmentation by combining marker-controlled watershed and deep learning | |
| CN109087310B (zh) | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 | |
| Zhou et al. | Convolutional neural networks–based model for automated sewer defects detection and classification | |
| CN116309368B (zh) | 一种基于深度迁移学习的肺癌病理诊断系统 | |
| CN115880266B (zh) | 一种基于深度学习的肠道息肉检测系统和方法 | |
| CN109859205A (zh) | 一种斑块检测方法及斑块检测设备 | |
| Choudhary et al. | ANN glaucoma detection using cup-to-disk ratio and neuroretinal rim | |
| Kaur et al. | [Retracted] Automated Detection and Segmentation of Exudates for the Screening of Background Retinopathy | |
| Innes et al. | Landmark detection for cephalometric radiology images using pulse coupled neural networks | |
| CN110211117A (zh) | 医学影像中识别线管状物的处理系统及优化分割的方法 | |
| CN109948674A (zh) | 基于深度元学习的相似性度量方法及系统 | |
| CN114199992B (zh) | 一种储油罐罐壁腐蚀检测方法及系统 | |
| CN109410182B (zh) | 一种图像处理方法及图像处理设备 | |
| CN114445419A (zh) | 一种基于支气管拓扑结构的肺段分割方法、装置及系统 | |
| Essaf et al. | An improved lung parenchyma segmentation using the maximum inter-class variance method (OTSU) | |
| CN110021016B (zh) | 一种钙化检测方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210330 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 |