CN110021016A - 一种钙化检测方法 - Google Patents

一种钙化检测方法 Download PDF

Info

Publication number
CN110021016A
CN110021016A CN201910256892.4A CN201910256892A CN110021016A CN 110021016 A CN110021016 A CN 110021016A CN 201910256892 A CN201910256892 A CN 201910256892A CN 110021016 A CN110021016 A CN 110021016A
Authority
CN
China
Prior art keywords
calcification
pixel
region
candidate region
value
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
Application number
CN201910256892.4A
Other languages
English (en)
Other versions
CN110021016B (zh
Inventor
肖月庭
阳光
郑超
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.)
Shukun Shenzhen Intelligent Network Technology Co ltd
Original Assignee
Digital Kun (beijing) Network Technology 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 Digital Kun (beijing) Network Technology Co Ltd filed Critical Digital Kun (beijing) Network Technology Co Ltd
Priority to CN201910256892.4A priority Critical patent/CN110021016B/zh
Publication of CN110021016A publication Critical patent/CN110021016A/zh
Application granted granted Critical
Publication of CN110021016B publication Critical patent/CN110021016B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)
  • 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

本发明公开了一种钙化检测方法，包括以下步骤：获取血管区域图像；利用钙化检测算法获得钙化候选区域；基于梯度和亮度分析，检出点状钙化区域；基于亮度分析判断点状钙化区域是否为真钙化；钙化边界修正。本发明能够有效检测出血管图像上的点状钙化区域，通过形态分析剔除误报区域，有效避免了漏检、误报情况的发生。

Description

一种钙化检测方法
技术领域
本发明涉及冠脉医学图像处理技术领域，特别涉及一种钙化检测方法。
背景技术
自动化冠脉医学图像检测对医生而言具有重要的临床价值和实际意义，其能够能为医生反馈直观的检测结果，从而作为医生进行病情诊断的参考，将医生从解读医学图像的繁琐工作中解脱出来，从而降低了医生的诊断时间，提高诊断效率，缓解当前就医难的问题。
钙化区域识别是自动化冠脉医学图像检测中的重要一环，钙化一般在医学图像上的表现形式通常是其亮度值高于周围血管的亮度值，据此，现有的算法大多通过设定一个固定阈值或动态阈值进行区分，进而识别出钙化区域。对于块状钙化区域，检测效果良好，但对于点状钙化区域，由于其周围的干扰因素多，容易出现漏检。另外对应一些复杂情况，也容易出现误报情况，例如在血管分叉处由于灰度值的变化，也容易将正常血管判断为小区域钙化。
发明内容
为解决上述问题，本发明提供了一种钙化检测方法。
本发明采用以下技术方案：
一种钙化检测方法，包括以下步骤：
S1、获取血管区域图像；
S2、利用钙化检测算法获得钙化候选区域；
S3、基于梯度和亮度分析，检出点状钙化区域。
优选地，其还包括步骤S4,所述步骤S4具体为：基于亮度分析判断点状钙化区域是否为真钙化。
优选地，所述步骤S4通过以下分步骤实现：
S41、针对点状钙化区域进行形态分析，探测是否存在小区域钙化发生在血管分叉处情况；
S42、对小区域钙化发生在血管分叉处情况，提升小区域钙化检测阈值，若仍被检测出钙化，则判定为真钙化。
优选地，所述步骤S3通过以下分步骤实现：
S31、通过对钙化候选区域的膨胀操作，得出钙化候选区域及其膨胀区域的梯度变化，分析其是否符合衰减规律，结合亮度和梯度两个指标判定其是否为真实钙化区域；
S32、基于血管区域图像上像素点的亮度值排序，多次选取不同数量的像素点并进行区域分割，然后通过区域连续增长分析判断出是否为候选区域，最后分析候选区域与周围区域的亮度值差异，判断出是否为真钙化。
优选地，所述步骤S31包括以下子步骤：
S311、对钙化候选区域进行一次膨胀与二次膨胀处理，获得一次膨胀区域与二次膨胀区域；
S312、获得钙化候选区域的中心线以及钙化候选区域轮廓线、一次膨胀区域轮廓线及二次膨胀区域轮廓线；
S313、获取序列点集，按设定步长选取钙化候选区域轮廓线的轮廓点，对选取的各轮廓点寻找距其最近的中心点，获得中心点-轮廓点对，以中心点-轮廓点对作穿过各膨胀区域的射线，获得多组序列点集，所述序列点集依次包括中心点、轮廓点、一次膨胀轮廓点及二次膨胀轮廓点；
S314、对序列点集进行亮度和梯度分析，获得符合筛选条件的序列点集；
S315、求解标记为符合的序列点集与总序列点集数的比值，当比值超过预设值，将该钙化候选区域确认为钙化区域。
优选地，所述预设值与所述钙化候选区域的面积相关，则有：
式中，A为钙化候选区域的面积，A1为面积阈值，R为预设值。
优选地，所述步骤S32包括以下子步骤：
S321、统计血管区域图像中的亮度值，分别选取亮度值最高的M1个像素点、M2个像素点、M3个像素点，其中M1<M2<M3，分别分割出所述M1个像素点、M2个像素点、M3个像素点对应的像素区域并进行增长性分析，若存在增长则作为候选区域；
S322、对所述候选区域与其前后左右区域进行对比分析，若存在弱对比则判定为假钙化，若存在强对比则判定为钙化区域。
优选地，其还包括步骤S5,所述步骤S5具体为：通过边界进行多灰度级定义，引入中间灰度级进行边界重新计算，输出钙化分割区域。
优选地，所述步骤S5通过以下分步骤实现：
S51、对所述血管区域图像进行二值化分割，获得二值化图像；
S52、以3个灰度值对图像分割边界进行定义，分别为0、中间灰度级、255，中间灰度级为灰度值分别为0和255的两个像素点之间的调整值；
S53、针对二值化图像的边界，获取灰度值由0跃到255的两个像素点，灰度值为0的像素点记为P，灰度值为255的像素点记为Q，以像素点Q作为参考像素，将其变为灰度像素，参考像素的值即为所述中间灰度级，所述中间灰度级通过下公式求取：
V＝(L2-L1)/(L2×255)
其中，V为中间灰度级，将边界内侧与像素点Q最相邻的灰度值为255的像素点记为R，L2为像素点R的原始灰度值，L1为像素点P的原始灰度值；
S54、基于中间灰度级计算边界宽度值；
S55、基于边界宽度值，输出钙化分割区域。
优选地，所述步骤S2还包括：对所述钙化候选区域进行形态分析，剔除形态异常的钙化候选区域。
采用上述技术方案后，本发明与背景技术相比，具有如下优点：
本发明能够有效检测出血管图像上的点状钙化区域，通过形态分析剔除误报区域，有效避免了漏检、误报情况的发生。另外，通过对血管拉直图像上的边界进行多灰度级定义(以三值进行定义)，引入中间灰度级来实现边界小数级计算，实现钙化边界修正，从而提升了冠脉狭窄度计算结果的准确性。
附图说明
图1为本发明的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
参考图1所示，本发明公开了一种钙化检测方法，包括以下步骤：
S1、获取血管区域图像。血管区域图像通过对原始血管提供进行拉直、分割获得。
S2、利用钙化检测算法获得钙化候选区域。钙化检测算法可采用基本阈值、对比度或极值算法。为便于后续处理，基于先验经验剔除形态上不符合钙化特征的钙化候选区域结果，通过对钙化候选区域域进行形态分析，剔除形态异常的钙化候选区域，这里提及的“形态异常”指的是基于先验经验在形态上不符合钙化特征，例如钙化候选区域在垂直血管方向上的宽度与沿血管方向上的宽度的比值较大，则认为是形态异常。
S3、基于梯度和亮度分析，检出点状钙化区域。
S31、通过对钙化候选区域的膨胀操作，得出钙化候选区域及其膨胀区域的梯度变化，分析其是否符合衰减规律，结合亮度和梯度两个指标判定其是否为真实钙化区域。
S311、对钙化候选区域进行一次膨胀与二次膨胀处理，获得一次膨胀区域与二次膨胀区域；
S312、获得钙化候选区域的中心线以及钙化候选区域轮廓线、一次膨胀区域轮廓线及二次膨胀区域轮廓线；
S313、获取序列点集，按设定步长(可以为0，也可以为2-3个像素点)选取钙化候选区域轮廓线的轮廓点，对选取的各轮廓点寻找距其最近的中心点，获得中心点-轮廓点对，以中心点-轮廓点对作穿过各膨胀区域的射线，获得多组序列点集，所述序列点集依次包括中心点、轮廓点、一次膨胀轮廓点及二次膨胀轮廓点；
S314、对序列点集进行亮度和梯度分析，获得符合筛选条件的序列点集。具体为：
a.对各组序列点集中的轮廓点，分析其亮度是否高于设定阈值，若是，执行步骤b，若否，则标记为不符合；
b、分析序列点集中的中心点、轮廓点、一次膨胀轮廓点及二次膨胀轮廓点是否满足梯度衰减，若是则标记为符合，若否，则标记为不符合.
S315、求解标记为符合的序列点集与总序列点集数的比值，当比值超过预设值，将该钙化候选区域确认为钙化区域。
在本实施例中，所述预设值与所述钙化候选区域的面积相关，则有：
式中，A为钙化候选区域的面积，A1为面积阈值，R为预设值。本实施例中，A1的取值范围为35～50个像素点。
S32、基于血管区域图像上像素点的亮度值排序，多次选取不同数量的像素点并进行区域分割，然后通过区域连续增长分析判断出是否为候选区域，最后分析候选区域与周围区域的亮度值差异，判断出是否为真钙化。
S321、统计血管区域图像中的亮度值，分别选取亮度值最高的M1个像素点、M2个像素点、M3个像素点，其中M1<M2<M3，分别分割出所述M1个像素点、M2个像素点、M3个像素点对应的像素区域并进行增长性分析，若存在增长则作为候选区域。该步骤具体为：
统计血管区域图像中的亮度值，分别选取亮度值最高的M1个像素点、M2个像素点、M3个像素点，其中M1<M2<M3；将所述M1个像素点、M2个像素点、M3个像素点对应的像素区域进行分割，分别记为M1区块、M2区块、M3区块；将所述M1个像素点、M2个像素点、M3个像素点对应的像素区域进行分割，分别记为M1区块、M2区块、M3区块，若M3区块的面积>M2区块的面积>M1区块的面积,则认定存在增长，M1区块作为钙化候选区域。
S322、对所述候选区域与其前后左右区域进行对比分析，若存在弱对比则判定为假钙化，若存在强对比则判定为钙化区域。该步骤具体为：
计算钙化候选区域前后左右四个区域的亮度值均值并分别记为P1、P2、P3、P4，计算钙化候选区域的亮度值均值并记为V；分别计算P1、P2、P3、P4与V的差值，若符合至少三个差值大于预先设定的阈值，则存在强对比并判定为钙化区域，若少于三个差值大于预先设定的阈值，则存在弱对比并判定为假钙化。
在本实施例中，为避免出现误报情况，在步骤S322之后还进行以下操作：计算钙化区域的尺寸，若存在大面积、纵向过长或横向过长则将其滤除。这样通过相应的形态分析，可以确保点状钙化区域检测过程中异常结果的误报。
S4、基于亮度分析判断点状钙化区域是否为真钙化。
S41、针对点状钙化区域进行形态分析，探测是否存在小区域钙化发生在血管分叉处情况。
S42、对小区域钙化发生在血管分叉处情况，提升小区域钙化检测阈值，若仍被检测出钙化，则判定为真钙化。
S5、通过边界进行多灰度级定义，引入中间灰度级进行边界重新计算，输出钙化分割区域。
S51、对所述血管区域图像进行二值化分割，获得二值化图像。
S52、以3个灰度值对图像分割边界进行定义，分别为0、中间灰度级、255，中间灰度级为灰度值分别为0和255的两个像素点之间的调整值。
S53、针对二值化图像的边界，获取灰度值由0跃到255的两个像素点，灰度值为0的像素点记为P，灰度值为255的像素点记为Q，以像素点Q作为参考像素，将其变为灰度像素，参考像素的值即为所述中间灰度级，所述中间灰度级通过下公式求取：
V＝(L2-L1)/(L2×255)
其中，V为中间灰度级，将边界内侧与像素点Q最相邻的灰度值为255的像素点记为R，L2为像素点R的原始灰度值，L1为像素点P的原始灰度值。
S54、基于中间灰度级计算边界宽度值。在本实施例中，边界宽度值的计算公式为：
W＝(V+1)/(256)
其中，W为边界宽度值，V为中间灰度级。
S55、基于边界宽度值，输出钙化分割区域。这样，可以方便计算后续钙化狭窄程度。
以上，仅为本发明较佳的具体实施方式，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。

Claims (10)

1.一种钙化检测方法，其特征在于，包括以下步骤：
S1、获取血管区域图像；
S2、利用钙化检测算法获得钙化候选区域；
S3、基于梯度和亮度分析，检出点状钙化区域。
2.如权利要求1所述的一种钙化检测方法，其特征在于，其还包括步骤S4,所述步骤S4具体为：基于亮度分析判断点状钙化区域是否为真钙化。
3.如权利要求2所述的一种钙化检测方法，其特征在于，所述步骤S4通过以下分步骤实现：
S41、针对点状钙化区域进行形态分析，探测是否存在小区域钙化发生在血管分叉处情况；
S42、对小区域钙化发生在血管分叉处情况，提升小区域钙化检测阈值，若仍被检测出钙化，则判定为真钙化。
4.如权利要求1所述的一种钙化检测方法，其特征在于，所述步骤S3通过以下分步骤实现：
S31、通过对钙化候选区域的膨胀操作，得出钙化候选区域及其膨胀区域的梯度变化，分析其是否符合衰减规律，结合亮度和梯度两个指标判定其是否为真实钙化区域；
S32、基于血管区域图像上像素点的亮度值排序，多次选取不同数量的像素点并进行区域分割，然后通过区域连续增长分析判断出是否为候选区域，最后分析候选区域与周围区域的亮度值差异，判断出是否为真钙化。
5.如权利要求4所述的一种钙化检测方法，其特征在于，所述步骤S31包括以下子步骤：
S311、对钙化候选区域进行一次膨胀与二次膨胀处理，获得一次膨胀区域与二次膨胀区域；
S312、获得钙化候选区域的中心线以及钙化候选区域轮廓线、一次膨胀区域轮廓线及二次膨胀区域轮廓线；
S313、获取序列点集，按设定步长选取钙化候选区域轮廓线的轮廓点，对选取的各轮廓点寻找距其最近的中心点，获得中心点-轮廓点对，以中心点-轮廓点对作穿过各膨胀区域的射线，获得多组序列点集，所述序列点集依次包括中心点、轮廓点、一次膨胀轮廓点及二次膨胀轮廓点；
S314、对序列点集进行亮度和梯度分析，获得符合筛选条件的序列点集；
S315、求解标记为符合的序列点集与总序列点集数的比值，当比值超过预设值，将该钙化候选区域确认为钙化区域。
6.如权利要求5所述的一种钙化检测方法，其特征在于：所述预设值与所述钙化候选区域的面积相关，则有：
式中，A为钙化候选区域的面积，A1为面积阈值，R为预设值。
7.如权利要求4所述的一种钙化检测方法，其特征在于，所述步骤S32包括以下子步骤：
S321、统计血管区域图像中的亮度值，分别选取亮度值最高的M1个像素点、M2个像素点、M3个像素点，其中M1<M2<M3，分别分割出所述M1个像素点、M2个像素点、M3个像素点对应的像素区域并进行增长性分析，若存在增长则作为候选区域；
S322、对所述候选区域与其前后左右区域进行对比分析，若存在弱对比则判定为假钙化，若存在强对比则判定为钙化区域。
8.如权利要求4所述的一种钙化检测方法，其特征在于，其还包括步骤S5,所述步骤S5具体为：通过边界进行多灰度级定义，引入中间灰度级进行边界重新计算，输出钙化分割区域。
9.如权利要求8所述的一种钙化检测方法，其特征在于，所述步骤S5通过以下分步骤实现：
S51、对所述血管区域图像进行二值化分割，获得二值化图像；
S52、以3个灰度值对图像分割边界进行定义，分别为0、中间灰度级、255，中间灰度级为灰度值分别为0和255的两个像素点之间的调整值；
S53、针对二值化图像的边界，获取灰度值由0跃到255的两个像素点，灰度值为0的像素点记为P，灰度值为255的像素点记为Q，以像素点Q作为参考像素，将其变为灰度像素，参考像素的值即为所述中间灰度级，所述中间灰度级通过下公式求取：
V＝(L2-L1)/(L2×255)
其中，V为中间灰度级，将边界内侧与像素点Q最相邻的灰度值为255的像素点记为R，L2为像素点R的原始灰度值，L1为像素点P的原始灰度值；
S54、基于中间灰度级计算边界宽度值；
S55、基于边界宽度值，输出钙化分割区域。
10.如权利要求1所述的一种钙化检测方法，其特征在于，所述步骤S2还包括：对所述钙化候选区域进行形态分析，剔除形态异常的钙化候选区域。
CN201910256892.4A 2019-04-01 2019-04-01 一种钙化检测方法 Active CN110021016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910256892.4A CN110021016B (zh) 2019-04-01 2019-04-01 一种钙化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910256892.4A CN110021016B (zh) 2019-04-01 2019-04-01 一种钙化检测方法

Publications (2)

Publication Number Publication Date
CN110021016A true CN110021016A (zh) 2019-07-16
CN110021016B CN110021016B (zh) 2020-12-18

Family

ID=67190332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910256892.4A Active CN110021016B (zh) 2019-04-01 2019-04-01 一种钙化检测方法

Country Status (1)

Country Link
CN (1) CN110021016B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667467A (zh) * 2020-05-28 2020-09-15 江苏大学附属医院 基于聚类算法的下肢血管钙化指数多参数累积计算方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853376A (zh) * 2010-02-10 2010-10-06 西安理工大学 一种乳腺微钙化点计算机辅助检测方法
CN102663410A (zh) * 2012-02-27 2012-09-12 北京交通大学 一种乳腺图像微钙化点的检测方法和系统
CN103186788A (zh) * 2011-12-30 2013-07-03 无锡睿影信息技术有限公司 一种基于胸片的计算机辅助检测乳癌钙化点的方法
CN103337096A (zh) * 2013-07-19 2013-10-02 东南大学 一种冠状动脉ct造影图像钙化点检测方法
CN103473571A (zh) * 2013-09-12 2013-12-25 天津大学 一种人体检测方法
US8906862B2 (en) * 2009-02-27 2014-12-09 The Regents Of The University Of California Multiple antigen delivery system using hepatitis E virus-like particle
CN106447645A (zh) * 2016-04-05 2017-02-22 天津大学 增强ct图像中冠脉钙化检测及量化装置和方法
CN107798679A (zh) * 2017-12-11 2018-03-13 福建师范大学 乳腺钼靶图像乳房区域分割与钙化点检测方法
CN107871318A (zh) * 2017-11-16 2018-04-03 吉林大学 一种基于模型迁移的冠状动脉钙化斑块检测方法
CN109285147A (zh) * 2018-08-30 2019-01-29 北京深睿博联科技有限责任公司 用于乳腺钼靶钙化检测的图像处理方法及装置、服务器
CN109288536A (zh) * 2018-09-30 2019-02-01 数坤（北京）网络科技有限公司 获取冠脉钙化区域分类的方法、装置及系统
CN109389590A (zh) * 2017-09-28 2019-02-26 上海联影医疗科技有限公司 结肠图像数据处理系统及方法
CN109389606A (zh) * 2018-09-30 2019-02-26 数坤（北京）网络科技有限公司 一种冠状动脉分割方法及装置
CN109389592A (zh) * 2018-09-30 2019-02-26 数坤（北京）网络科技有限公司 计算冠脉钙化积分的方法、装置及系统
CN109410267A (zh) * 2018-09-30 2019-03-01 数坤（北京）网络科技有限公司 一种冠脉分割评估方法及系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8906862B2 (en) * 2009-02-27 2014-12-09 The Regents Of The University Of California Multiple antigen delivery system using hepatitis E virus-like particle
CN101853376A (zh) * 2010-02-10 2010-10-06 西安理工大学 一种乳腺微钙化点计算机辅助检测方法
CN103186788A (zh) * 2011-12-30 2013-07-03 无锡睿影信息技术有限公司 一种基于胸片的计算机辅助检测乳癌钙化点的方法
CN102663410A (zh) * 2012-02-27 2012-09-12 北京交通大学 一种乳腺图像微钙化点的检测方法和系统
CN103337096A (zh) * 2013-07-19 2013-10-02 东南大学 一种冠状动脉ct造影图像钙化点检测方法
CN103473571A (zh) * 2013-09-12 2013-12-25 天津大学 一种人体检测方法
CN106447645A (zh) * 2016-04-05 2017-02-22 天津大学 增强ct图像中冠脉钙化检测及量化装置和方法
CN109389590A (zh) * 2017-09-28 2019-02-26 上海联影医疗科技有限公司 结肠图像数据处理系统及方法
CN107871318A (zh) * 2017-11-16 2018-04-03 吉林大学 一种基于模型迁移的冠状动脉钙化斑块检测方法
CN107798679A (zh) * 2017-12-11 2018-03-13 福建师范大学 乳腺钼靶图像乳房区域分割与钙化点检测方法
CN109285147A (zh) * 2018-08-30 2019-01-29 北京深睿博联科技有限责任公司 用于乳腺钼靶钙化检测的图像处理方法及装置、服务器
CN109288536A (zh) * 2018-09-30 2019-02-01 数坤（北京）网络科技有限公司 获取冠脉钙化区域分类的方法、装置及系统
CN109389606A (zh) * 2018-09-30 2019-02-26 数坤（北京）网络科技有限公司 一种冠状动脉分割方法及装置
CN109389592A (zh) * 2018-09-30 2019-02-26 数坤（北京）网络科技有限公司 计算冠脉钙化积分的方法、装置及系统
CN109410267A (zh) * 2018-09-30 2019-03-01 数坤（北京）网络科技有限公司 一种冠脉分割评估方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHUI-MEI TIU ET AL.: "Self Organizing Map Neural Network with Fuzzy Screening for Micro-calcifications Detection on Mammograms", 《2008 IEEE CONFERENCE ON SOFT COMPUTING IN INDUSTRIAL APPLICATIONS》 *
MIN ZHANG ET AL.: "Efficient Small Blob Detection Based on Local Convexity, Intensity and Shape Information", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *
刘静媛: "基于小波变换的乳腺X线图肿块分割算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667467A (zh) * 2020-05-28 2020-09-15 江苏大学附属医院 基于聚类算法的下肢血管钙化指数多参数累积计算方法
CN111667467B (zh) * 2020-05-28 2021-01-26 江苏大学附属医院 基于聚类算法的下肢血管钙化指数多参数累积计算方法

Also Published As

Publication number Publication date
CN110021016B (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN104794721B (zh) 一种基于多尺度斑点检测的快速视盘定位方法
Dey et al. FCM based blood vessel segmentation method for retinal images
Lupascu et al. Automated detection of optic disc location in retinal images
CN106651846A (zh) 视网膜血管图像的分割方法
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
GB2467840A (en) Detecting disease in retinal images
Shih et al. Automatic extraction of filaments in Hα solar images
Usman et al. A robust algorithm for optic disc segmentation from colored fundus images
CN108846827B (zh) 一种基于多圆快速分割眼底视盘的方法
Sengar et al. Detection of diabetic macular edema in retinal images using a region based method
Mendonça et al. Segmentation of the vascular network of the retina
CN110021016A (zh) 一种钙化检测方法
Wang et al. Interactive retinal vessel extraction by integrating vessel tracing and graph search
Kaur et al. An integrated approach for diabetic retinopathy exudate segmentation by using genetic algorithm and switching median filter
Choukikar et al. Segmenting the optic disc in retinal images using thresholding
Zhou et al. Automatic fovea center localization in retinal images using saliency-guided object discovery and feature extraction
CN109447948B (zh) 一种基于病灶彩色视网膜眼底图像的视盘分割方法
Cheng et al. Detection of arterial calcification in mammograms by random walks
CN105225234A (zh) 基于支持向量机mri图像分割的肺部肿瘤识别方法
CN105184799A (zh) 一种改进的无监督脑部肿瘤mri图像分割方法
Park et al. A New Approach to Optic Disc Segmentation Based on Contrast Enhancement and Brightness Difference
Mittal et al. Optic disk and macula detection from retinal images using generalized motion pattern
Hafez et al. Using adaptive edge technique for detecting microaneurysms in fluorescein angiograms of the ocular fundus
CN109846465B (zh) 一种基于亮度分析的血管钙化误报检测方法
Sui et al. A novel method for vessel segmentation and automatic diagnosis of vascular stenosis

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
CP03 Change of name, title or address

Address after: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing

Patentee after: Shukun (Beijing) Network Technology Co.,Ltd.

Address before: Unit 547, unit 1, building 1, yard 1, Longyu middle street, Huilongguan town, Changping District, Beijing

Patentee before: SHUKUN (BEIJING) NETWORK TECHNOLOGY Co.,Ltd.

CP03 Change of name, title or address
TR01 Transfer of patent right

Effective date of registration: 20230116

Address after: 518026 Rongchao Economic and Trade Center A308-D9, No. 4028, Jintian Road, Fuzhong Community, Lianhua Street, Futian District, Shenzhen, Guangdong Province

Patentee after: Shukun (Shenzhen) Intelligent Network Technology Co.,Ltd.

Address before: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing

Patentee before: Shukun (Beijing) Network Technology Co.,Ltd.

TR01 Transfer of patent right