CN109993729A - 血管跟踪方法及装置 - Google Patents
血管跟踪方法及装置 Download PDFInfo
- Publication number
- CN109993729A CN109993729A CN201910212994.6A CN201910212994A CN109993729A CN 109993729 A CN109993729 A CN 109993729A CN 201910212994 A CN201910212994 A CN 201910212994A CN 109993729 A CN109993729 A CN 109993729A
- Authority
- CN
- China
- Prior art keywords
- offset
- section
- point
- blood vessel
- iteration
- 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
- 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)
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供一种血管跟踪方法及装置,其中方法包括:在血管模型中的当前中心点的下游指定种子点,根据所述种子点生成一定数量的偏移截面,所述偏移截面均匀分布在以所述种子点为球心的球面上;对每个偏移截面进行不大于第一预设次数的迭代更新,计算相邻两次迭代的偏移截面的位置变化,若位置变化值连续第二预设次数均小于预设值,则将当前迭代的偏移截面中的中心点作为稳定点;根据所有稳定点的分布情况确定血管模型中下一个中心点。本发明克服了现有技术需要手动设计的特征定位血管轮廓带来的效率低下的问题。
Description
技术领域
本发明实施例涉及图像处理技术领域,更具体地,涉及一种血管跟踪方法及装置。
背景技术
对于常见的冠脉疾病,如动脉瘤、动脉狭窄和冠脉斑块,冠脉腔道的分割是准确诊断和量化治疗的一个重要的步骤。血管模型被定义为由中心线和半径约束的广义圆柱体。
三维血管的结构信息包含血管的分布位置、血管的直径、血流方向和分叉信息,具有重要的临床价值。在心血管介入手术导航、术中配准和冠脉血液动力学分析等方面具有广泛的应用。三维血管结构的手动提取是一项繁重的工作,而血管分割算法的设计是一个极具挑战性的工作,这些挑战被总结为以下方面:
1、医学影像中普遍存在的噪声造成血管轮廓模糊,使其难以被探测,这种效应对于细小的血管更加明显。
2、血管中存在的病态结构,如狭窄和钙化,加大了模型与血管的匹配难度。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的血管跟踪方法及装置。
第一个方面,本发明实施例提供一种血管跟踪方法,包括:
在血管模型中的当前中心点的下游指定种子点,根据所述种子点生成一定数量的偏移截面,所述偏移截面均匀分布在以所述种子点为球心的球面上;
对每个偏移截面进行不大于第一预设次数的迭代更新,计算相邻两次迭代的偏移截面的位置变化,若位置变化值连续第二预设次数均小于预设值,则将当前迭代的偏移截面中的中心点作为稳定点;
根据所有稳定点的分布情况确定血管模型中下一个中心点。
第二个方面,本发明实施例提供一种血管跟踪装置,包括:
截面生成模块,用于在血管模型中的当前中心点的下游指定种子点,根据所述种子点生成一定数量的偏移截面,所述偏移截面均匀分布在以所述种子点为球心的球面上;
稳定点获取模块,用于对每个偏移截面进行不大于第一预设次数的迭代更新,计算相邻两次迭代的偏移截面的位置变化,若位置变化值连续第二预设次数均小于预设值,则将当前迭代的偏移截面中的中心点作为稳定点;
中心点获取模块,用于根据所有稳定点的分布情况确定血管模型中下一个中心点。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的血管跟踪方法及装置,通过不断对偏移截面进行迭代更新,使得偏移截面不断接近血管模型的中心点,利用神经网络强大的血管特征提取能力,解决了现有技术存在的血管轮廓模糊,使其难以被探测以及血管和模型间匹配难度大的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的血管跟踪方法的流程示意图;
图2为本发明实施例提供的卷积回归神经网络的结构示意图;
图3为本发明实施例提供的血管跟踪装置的结构示意图;
图4为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
一般的血管分割算法使用手动设计的特征来定位血管轮廓,然而这些特征容易受到医学图像中的异常结构如钙化、动脉瘤和支架等的影响。为了克服上述问题,本发明实施例提供一种血管跟踪方法,图1为本发明实施例提供的血管跟踪方法的流程示意图,如图1所示,该方法包括:
S101、在血管模型中的当前中心点的下游指定种子点,根据所述种子点生成一定数量的偏移截面,所述偏移截面均匀分布在以所述种子点为球心的球面上。
需要说明的是,本发明实施例的血管模型被定义为由中心线和半径约束的广义圆柱体。本发明实施例中所述的下游是指血流方向,种子点一般选择在当前中心点下游,同时靠近当前中心点的地方,这样更有利于提高获得中心点的速度。在指定种子点后,在以种子点为球心的球面区域内提取偏移截面,球面的幅度范围为π/4。偏移截面是在血管中心线附近,按一定的位置和法向量方向提取的二维图像(由于无法预知血管截面的中心位置和法向量方向,偏移截面的参数相对于血管截面的参数而言,是“偏移的”)。
S102、对每个偏移截面进行不大于第一预设次数的迭代更新,计算相邻两次迭代的偏移截面的位置变化,若位置变化值连续第二预设次数均小于预设值,则将当前迭代的偏移截面中的中心点作为稳定点。
本发明实施例通过步骤S101获得大量偏移截面,之后对于每个偏移截面进行迭代更新,更新的目的是为了使偏移截面更加靠近血管模型的横截面(切一个圆柱体,横截面的切口是圆形。如果不是横截面,切口是椭圆)。为了对血管跟踪的时间进行约束,本发明实施例预先对偏移截面的迭代次数设置上限值,即第一预设次数,例如,可以为6次。在每次对偏移截面进行更新后,偏移截面的位置都会发生变化,如果位置变化值连续第二预设次数(例如为3次)均小于预设值(比如为0.03mm),则表明当前的偏移截面已经十分接近血管模型的中心点。那么此时就可以将当前迭代的偏移截面中的中心点作为稳定点。
S103、根据所有稳定点的分布情况确定血管模型中下一个中心点。
需要说明的是,由于步骤S101获得了大量偏移截面,那么通过步骤S102,针对每个偏移截面都可能获得一个稳定点,通过对这些稳定点的分布情况进行统计和分析,即可确认出血管模型的下一个中心点,这种确定中心点的方法能够增强血管跟踪的鲁棒性。
在上述各实施例的基础上,本发明实施例采用机器学习的方式获得偏移参数,具体地,对每个偏移截面进行不大于第一预设次数的迭代更新,具体为:
在每次迭代时,将当前迭代的偏移截面输入至预先训练好的截面参数估计器中,输出所述偏移参数,根据所述偏移参数平移当前迭代的偏移截面,以获得下一次迭代的偏移截面;
其中,所述截面参数估计器根据样本偏移截面以及偏移参数训练而成。
本发明实施例这种采用机器学习的方式获得偏移参数,可以自动从海量样本中学习特征。而对于现有技术,需要手动设计特征。
在上述各实施例的基础上,作为一种可选实施例,根据所述种子点生成一定数量的偏移截面,具体为:根据所述种子点的三维坐标以及血管模型的位姿参数生成一定数量的偏移截面。
本发明实施例所采用的这种获得偏移截面的算法,本质是从三维数据中提取一个二维截面,涉及到三线性插值技术(Trilinear interpolation)。
在上述实施例的基础上,所述截面参数估计器为卷积回归神经网络(CRN),所述卷积回归神经网络具体包括:
依次连接的若干个特征提取层,所述第一个特征提取层用于输入偏移截面,输出特征矩阵,之后的特征提取层用于接收上一层输出的特征矩阵,输出更紧凑特征矩阵。
需要说明的是,特征提取层的用途用于获得血管的特征,为了防止过拟合现象发生,特征提取层的个数不易过多,为了平衡网络拟合能力和运算负担,本发明实施例采用3个特征提取层。
全连接层,用于输入最后一层特征提取层输出的特征矩阵,输出映射至最优维度的特征矩阵;
激活函数层,用于输入所述映射至最优维度的特征矩阵,输出偏移参数。
本发明实施例的CRN网络的损失函数定义为:
其中t={ti}是输入的偏移截面对应的偏移参数。通过偏移参数,可将偏移截面移动到血管中心位置,以此实现血管中心线定位。t′={t′i}是网络的预测值,n表示归一化输出的个数,由于本发明实施例的偏移截面是二维的,因此n的值为2。
在训练样本方面,样本总数为20万个。输出标签是网络的输出结果,它们被归一化至[0,1]区间内:
其中,x和y分别是血管中心点沿采样窗口两条坐标轴方向上的实际位移量,wi是采样窗口的宽度。经过训练,网络的预测误差可降至0.02以下。字母l代表label。lx和ly是对x和y的一种变换,目的是将x和y归一化至[0,1],以方便网络训练。
图2为本发明实施例提供的卷积回归神经网络的结构示意图,如图2所示,该神经网络包括:
3个特征提取层201,其中每个特征提取层依次包括卷积层、修正线性单元(Rectified linear unit,ReLU)和最大池化层;
全连接层202,包括全连接层、线性修正单元和参数抛弃层(参数抛弃层的参数可以设置为0.35)。
激活函数层203,包括全连接层和西格玛激活函数层,全连接层输出的是再次映射至最优维度的特征矩阵,西格玛激活激活函数层,用于输入所述映射至最优维度的特征矩阵,输出偏移参数。
在上述各实施例的基础上,本发明实施例根据根据均值漂移算法计算稳定点分布密度最大的位置,作为血管模型中下一个中心点。
均值漂移(mean shift)算法是一种无参概率密度估计法,算法利用像素特征点概率密度函数的梯度推导而得,MeanShift算法通过迭代运算收敛于概率密度函数的局部最大值,实现目标定位和跟踪,也能对可变形状目标实时跟踪,对目标的变形,旋转等运动也有较强的鲁棒性。MeanShift算法是一种自动迭代跟踪算法,由MeanShift补偿向量不断沿着密度函数的梯度方向移动。在一定条件下,MeanShift算法能收敛到局部最优点,从而实现对运动体准确地定位。
为了防止过分割,血管跟踪需要在适当的时刻停止。因此在上述各实施例的基础上,作为一种可选实施例,本发明实施例还包括:
若迭代更新产生的稳定点个数占所有偏移截面的个数小于预设比例,或者下一次中心点的图像强度小于预设强度,则停止在血管模型中的当前中心点的下游指定种子点。
具体地,若步骤S101生成了m个偏移截面,通过对每个偏移截面进行不大于第一预设次数的迭代更新,由于不可能所有偏移截面的位置变化值可以连续第二预设次数小于预设值,因此,最终m个偏移截面生成的稳定点数n必然小于m,若n/m小于预设比例,例如5%,则停止继续跟踪。此外,如果获得的下一个中心点的图像强度小于预设强度,例如1000HU时,也停止继续跟踪。
图3为本发明实施例提供的血管跟踪装置的结构示意图,如图3所示,该血管跟踪装置包括:截面生成模块301,稳定点获取模块302和中心点获取模块303,具体地:
截面生成模块301,用于在血管模型中的当前中心点的下游指定种子点,根据所述种子点生成一定数量的偏移截面,所述偏移截面均匀分布在以所述种子点为球心的球面上。
需要说明的是,本发明实施例的血管模型被定义为由中心线和半径约束的广义圆柱体。本发明实施例中所述的下游是指血流方向,种子点一般选择在当前中心点下游,同时靠近当前中心点的地方,这样更有利于提高获得中心点的速度。在指定种子点后,在以种子点为球心的球面区域内提取偏移截面,球面的幅度范围为π/4。偏移截面是在血管中心线附近,按一定的位置和法向量方向提取的二维图像(由于无法预知血管截面的中心位置和法向量方向,偏移截面的参数相对于血管截面的参数而言,是“偏移的”)。
稳定点获取模块302,用于对每个偏移截面进行不大于第一预设次数的迭代更新,计算相邻两次迭代的偏移截面的位置变化,若位置变化值连续第二预设次数均小于预设值,则将当前迭代的偏移截面中的中心点作为稳定点。
本发明实施例通过截面生成模块301获得大量偏移截面,之后对于每个偏移截面进行迭代更新,更新的目的是为了使偏移截面更加靠近血管模型的横截面(切一个圆柱体,横截面的切口是圆形。如果不是横截面,切口是椭圆)。为了对血管跟踪的时间进行约束,本发明实施例预先对偏移截面的迭代次数设置上限值,即第一预设次数,例如,可以为6次。在每次对偏移截面进行更新后,便宜截面的位置都会发生变化,如果位置变化值连续第二预设次数(例如为3次)均小于预设值(比如为0.03mm),则表明当前的偏移截面已经十分接近血管模型的中心点。那么此时就可以将当前迭代的偏移截面中的中心点作为稳定点。
中心点获取模块303,用于根据所有稳定点的分布情况确定血管模型中下一个中心点。
需要说明的是,由于截面生成模块获得了大量偏移截面,那么通过稳定点获取模块,针对每个偏移截面都可能获得一个稳定点,通过对这些稳定点的分布情况进行统计和分析,即可确认出血管模型的下一个中心点,这种确定中心点的方法能够增强血管跟踪的鲁棒性。
本发明实施例提供的血管跟踪装置,具体执行上述各血管跟踪方法实施例流程,具体请详见上述各血管跟踪方法实施例的内容,在此不再赘述。本发明实施例提供的血管跟踪装置,通过不断对偏移截面进行迭代更新,使得偏移截面不断接近血管模型的中心点,利用神经网络强大的血管特征提取能力,解决了现有技术存在的血管轮廓模糊,使其难以被探测以及血管和模型间匹配难度大的问题。
图4为本发明实施例提供的电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储在存储器430上并可在处理器410上运行的计算机程序,以执行上述各实施例提供的血管跟踪方法,例如包括:在血管模型中的当前中心点的下游指定种子点,根据所述种子点生成一定数量的偏移截面,所述偏移截面均匀分布在以所述种子点为球心的球面上;对每个偏移截面进行不大于第一预设次数的迭代更新,计算相邻两次迭代的偏移截面的位置变化,若位置变化值连续第二预设次数均小于预设值,则将当前迭代的偏移截面中的中心点作为稳定点;根据所有稳定点的分布情况确定血管模型中下一个中心点。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的血管跟踪方法,例如包括:在血管模型中的当前中心点的下游指定种子点,根据所述种子点生成一定数量的偏移截面,所述偏移截面均匀分布在以所述种子点为球心的球面上;对每个偏移截面进行不大于第一预设次数的迭代更新,计算相邻两次迭代的偏移截面的位置变化,若位置变化值连续第二预设次数均小于预设值,则将当前迭代的偏移截面中的中心点作为稳定点;根据所有稳定点的分布情况确定血管模型中下一个中心点。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种血管跟踪方法,其特征在于,包括:
在血管模型中的当前中心点的下游指定种子点,根据所述种子点生成一定数量的偏移截面,所述偏移截面均匀分布在以所述种子点为球心的球面上;
对每个偏移截面进行不大于第一预设次数的迭代更新,计算相邻两次迭代的偏移截面的位置变化,若位置变化值连续第二预设次数均小于预设值,则将当前迭代的偏移截面中的中心点作为稳定点;
根据所有稳定点的分布情况确定血管模型中下一个中心点。
2.根据权利要求1所述的血管跟踪方法,其特征在于,所述对每个偏移截面进行不大于第一预设次数的迭代更新,具体为:
在每次迭代时,将当前迭代的偏移截面输入至预先训练好的截面参数估计器中,输出所述偏移参数,根据所述偏移参数平移当前迭代的偏移截面,以获得下一次迭代的偏移截面;
其中,所述截面参数估计器根据样本偏移截面以及偏移参数训练而成。
3.根据权利要求1所述的血管跟踪方法,其特征在于,根据所述种子点生成一定数量的偏移截面,具体为:根据所述种子点的三维坐标以及血管模型的位姿参数生成一定数量的偏移截面。
4.根据权利要求2所述的血管跟踪方法,其特征在于,所述截面参数估计器为卷积回归神经网络,所述卷积回归神经网络具体包括:
依次连接的若干个特征提取层,其中第一个特征提取层用于输入偏移截面,输出特征矩阵,之后的特征提取层用于接收上一层输出的特征矩阵,输出更紧凑的特征矩阵;
全连接层,用于输入最后一层特征提取层输出的特征矩阵,输出映射至最优维度的偏移截面的特征矩阵;
激活函数层,用于输入所述映射至最优维度的偏移截面的特征矩阵,输出偏移参数。
5.根据权利要求1所述的血管跟踪方法,其特征在于,所述根据所有稳定点的分布情况确定血管模型中下一个中心点,具体为:
根据均值漂移算法计算稳定点分布密度最大的位置,作为血管模型中下一个中心点。
6.根据权利要求1所述的血管跟踪方法,其特征在于,还包括:若迭代更新产生的稳定点个数占所有偏移截面的个数小于预设比例,或者下一次中心点的图像强度小于预设强度,则停止在血管模型中的当前中心点的下游指定种子点。
7.一种血管跟踪装置,其特征在于,包括:
截面生成模块,用于在血管模型中的当前中心点的下游指定种子点,根据所述种子点生成一定数量的偏移截面,所述偏移截面均匀分布在以所述种子点为球心的球面上;
稳定点获取模块,用于对每个偏移截面进行不大于第一预设次数的迭代更新,计算相邻两次迭代的偏移截面的位置变化,若位置变化值连续第二预设次数均小于预设值,则将当前迭代的偏移截面中的中心点作为稳定点;
中心点获取模块,用于根据所有稳定点的分布情况确定血管模型中下一个中心点。
8.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至6中任意一项所述的血管跟踪方法。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至6中任意一项所述血管跟踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910212994.6A CN109993729B (zh) | 2019-03-20 | 2019-03-20 | 血管跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910212994.6A CN109993729B (zh) | 2019-03-20 | 2019-03-20 | 血管跟踪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993729A true CN109993729A (zh) | 2019-07-09 |
CN109993729B CN109993729B (zh) | 2021-03-12 |
Family
ID=67129675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910212994.6A Active CN109993729B (zh) | 2019-03-20 | 2019-03-20 | 血管跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993729B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640124A (zh) * | 2020-05-25 | 2020-09-08 | 浙江同花顺智能科技有限公司 | 一种血管提取方法、装置、设备及存储介质 |
CN111724413A (zh) * | 2020-06-19 | 2020-09-29 | 上海杏脉信息科技有限公司 | 一种血管跟踪方法、冠脉影像分割方法、介质及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102763135A (zh) * | 2009-12-23 | 2012-10-31 | 通用电气公司 | 用于自动分割和时间跟踪的方法 |
CN103886312A (zh) * | 2014-03-21 | 2014-06-25 | 华东师范大学 | 一种快速选择并显示磁共振血管图像中感兴趣血管的方法 |
CN104166978A (zh) * | 2013-12-27 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN104318557A (zh) * | 2014-10-17 | 2015-01-28 | 重庆大学 | 血管骨架线重构及精确管径计算方法 |
WO2015150320A1 (en) * | 2014-04-01 | 2015-10-08 | Universitetet I Oslo | Segmentation of tubular organ structures |
CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN108010056A (zh) * | 2017-11-27 | 2018-05-08 | 北京工业大学 | 一种基于四维医学影像的血管运动跟踪方法 |
-
2019
- 2019-03-20 CN CN201910212994.6A patent/CN109993729B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102763135A (zh) * | 2009-12-23 | 2012-10-31 | 通用电气公司 | 用于自动分割和时间跟踪的方法 |
CN104166978A (zh) * | 2013-12-27 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种血管提取方法 |
CN103886312A (zh) * | 2014-03-21 | 2014-06-25 | 华东师范大学 | 一种快速选择并显示磁共振血管图像中感兴趣血管的方法 |
WO2015150320A1 (en) * | 2014-04-01 | 2015-10-08 | Universitetet I Oslo | Segmentation of tubular organ structures |
CN104318557A (zh) * | 2014-10-17 | 2015-01-28 | 重庆大学 | 血管骨架线重构及精确管径计算方法 |
CN106296664A (zh) * | 2016-07-30 | 2017-01-04 | 上海联影医疗科技有限公司 | 血管提取方法 |
CN108010056A (zh) * | 2017-11-27 | 2018-05-08 | 北京工业大学 | 一种基于四维医学影像的血管运动跟踪方法 |
Non-Patent Citations (3)
Title |
---|
LESAGE, D ET AL: "Adaptive particle filtering for coronary artery segmentation from 3D CT angiograms", 《COMPUTER VISION AND IMAGE UNDERSTANDING》 * |
SHIM, H ET AL: "Robust segmentation of cerebral arterial segments by a sequential Monte Carlo method: Particle filtering", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
肖若秀: "造影图像的冠脉结构识别与匹配方法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640124A (zh) * | 2020-05-25 | 2020-09-08 | 浙江同花顺智能科技有限公司 | 一种血管提取方法、装置、设备及存储介质 |
CN111724413A (zh) * | 2020-06-19 | 2020-09-29 | 上海杏脉信息科技有限公司 | 一种血管跟踪方法、冠脉影像分割方法、介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109993729B (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11042822B2 (en) | Systems and methods for using geometry sensitivity information for guiding workflow | |
CN109166124B (zh) | 一种基于连通区域的视网膜血管形态量化方法 | |
CN110638438B (zh) | 用于对血流储备分数的基于机器学习的评估的方法和系统 | |
CN112652011B (zh) | 目标血管的提取方法、提取装置与计算机可读存储介质 | |
CN108198184A (zh) | 造影图像中血管分割的方法和系统 | |
CN107657612A (zh) | 适用于智能便携设备的全自动视网膜血管分析方法及系统 | |
CN111680447A (zh) | 血流特征预测方法、装置、计算机设备和存储介质 | |
CN108335284A (zh) | 一种冠脉血管中心线匹配方法和系统 | |
WO2005055496A2 (en) | System and method for optimization of vessel centerlines | |
CN109993729A (zh) | 血管跟踪方法及装置 | |
CN109903319A (zh) | 一种基于多分辨率的快速迭代最近点配准算法 | |
CN109447960A (zh) | 一种对象识别方法和装置 | |
CN113436185B (zh) | 肝脏静脉血管三维结构特征定量分析方法、装置、计算机设备和存储介质 | |
CN112348818B (zh) | 一种图像分割方法、装置、设备以及存储介质 | |
Gharleghi et al. | Deep learning for time averaged wall shear stress prediction in left main coronary bifurcations | |
WO2015150320A1 (en) | Segmentation of tubular organ structures | |
CN114708465A (zh) | 图像分类方法、装置、电子设备与存储介质 | |
US20150278976A1 (en) | Systems and methods for using geometry sensitivity information for guiding workflow | |
Zamani Boroujeni et al. | Coronary artery center-line extraction using second order local features | |
CN114842149A (zh) | 一种树状结构数据的图像与分割标签生成模型及应用 | |
CN114519722A (zh) | 一种基于卷积神经网络的颈动脉提取方法 | |
CN112446893B (zh) | 肝脏图像的轮廓分割方法和装置 | |
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 | |
CN115775216A (zh) | 血管信息的获取方法、电子设备和存储介质 | |
JP2022546303A (ja) | 管状フィーチャのセグメント化 |
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 |