CN110301900B - 动态灌注影像处理的定量分析方法及系统 - Google Patents
动态灌注影像处理的定量分析方法及系统 Download PDFInfo
- Publication number
- CN110301900B CN110301900B CN201910584841.4A CN201910584841A CN110301900B CN 110301900 B CN110301900 B CN 110301900B CN 201910584841 A CN201910584841 A CN 201910584841A CN 110301900 B CN110301900 B CN 110301900B
- Authority
- CN
- China
- Prior art keywords
- blood vessels
- artery
- marking
- quantitative analysis
- arterial blood
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/50—Clinical applications
- A61B6/504—Clinical applications involving diagnosis of blood vessels, e.g. by angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/50—Clinical applications
- A61B6/507—Clinical applications involving determination of haemodynamic parameters, e.g. perfusion CT
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
- A61B6/5264—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to motion
Abstract
本发明公开了一种动态灌注影像处理的定量分析方法,包括以下步骤:步骤1,利用信号强度和达峰时间阈值分割出动脉血管;步骤2,对所分割的动脉血管进行分类,并将不同类别的动脉血管标记成不同值,得到动脉血管的标签图像;步骤3,对动脉血管的标签图像进行距离变换,得到不同类别血管所属的维诺空间;然后对具有相同标记值且空间上相邻的区域进行合并,得到维诺区域;步骤4,将同类动脉血管的平均时间信号曲线作为对应维诺区域的局部AIF,进行后续的灌注定量分析。本发明基于局部AIF来进行动态灌注定量分析,因此能够解决全局近似出现的问题。本发明还公开了一种动态灌注影像处理的定量分析系统。
Description
技术领域
本发明涉及一种灌注成像数据的处理方法,具体涉及一种动态灌注影像处理的定量分析方法。本发明还涉及一种动态灌注影像处理的定量分析系统。
背景技术
磁共振(MRI)/计算机断层扫描(CT)的灌注成像得到的数据可以理解为一个三维的电影,每一个体素(voxel)都可以描述为一条随时间变化的曲线。在灌注成像处理中,一般有以下步骤:(1)测量组织的动脉输入函数(AIF);(2)求解反卷积以得到组织脉冲残余曲线(组织脉冲残余曲线和动脉输入函数的卷积为组织的时间变化曲线);(3)使用脉冲残余曲线计算脑血流量(CBF)、脑血容量(CBV)、平均通过时间(MTT)、最大剩余功能时间(Tmax)等参数图像。
其中,AIF的选择直接影像到最后计算的参数图,是灌注定量分析中一个非常重要的输入。由于实践中难以测量直接供给感兴趣组织的动脉曲线,通常从诸如颈内动脉(ICA)、大脑中动脉(MCA)或大脑前动脉(ACA)之类的大血管测量曲线作为全局的AIF。由于造影剂的延迟和散布,组织的供血动脉曲线与这种全局的AIF存在明显的差异,这种全局的近似会带来定量参数的误差,直接影响临床评价。
另外,不同的医疗技术人员选择的AIF也会不同,所以计算的参数图也会不同,产生人为误差。如图1所示,由于采用不同的AIF反卷积得到的残留曲线不同,计算的CBF不同。
发明内容
本发明所要解决的技术问题是提供一种动态灌注影像处理的定量分析方法,它可以得到更准确的灌注定量分析值。
为解决上述技术问题,本发明动态灌注影像处理的定量分析方法的技术解决方案为,包括以下步骤:
步骤1,利用信号强度和达峰时间阈值分割出动脉血管;
步骤2,对所分割的动脉血管进行分类,并将不同类别的动脉血管标记成不同值,得到动脉血管的标签图像;
在另一实施例中,所述步骤2中对动脉血管的分类方法为模糊聚类或者支持向量机、随机森林。
步骤3,对动脉血管的标签图像进行距离变换,得到不同类别血管所属的维诺空间;然后对具有相同标记值且空间上相邻的区域进行合并,得到维诺区域,实现基于动脉血管的全脑区域的空间划分;
在另一实施例中,所述步骤3的具体方法如下:
步骤3.1,对非血管位置的像素点进行标记;
根据距离某一像素点最近的动脉血管的类别,标记该像素点的值;则同一类别的动脉血管周围的像素点的标记值相同,该像素点的标记值即为离其最近的动脉血管的标记值;
步骤3.2,对相同标记值的非血管位置的像素点进行合并,得到该类别的动脉血管对应的维诺区域。
步骤4,将同类动脉血管的平均时间信号曲线作为对应维诺区域的局部AIF,进行后续的灌注定量分析。
在另一实施例中,所述步骤1之前执行步骤0:对灌注数据进行预处理。
在另一实施例中,所述步骤0的预处理方法包括:逐时间点进行运动矫正、背景去除、图像去噪。
在另一实施例中,所述步骤2执行之前对所分割的动脉血管进行人工修正。
本发明还提供一种动态灌注影像处理的定量分析系统,其技术解决方案为,包括动脉血管分割模块、动脉血管标记模块、维诺区域划分模块、灌注定量分析模块;
动脉血管分割模块,被配置为利用信号强度和达峰时间阈值分割出动脉血管;
动脉血管标记模块,被配置为对所分割的动脉血管进行分类,并将不同类别的动脉血管标记成不同值,得到动脉血管的标签图像;
维诺区域划分模块,被配置为对动脉血管的标签图像进行距离变换,得到不同类别血管所属的维诺空间;对具有相同标记值且空间上相邻的区域进行合并,得到维诺区域,实现基于动脉血管的全脑区域的空间划分;
灌注定量分析模块,被配置为将同类动脉血管的平均时间信号曲线作为对应维诺区域的局部AIF,进行后续的灌注定量分析。
在另一实施例中,所述维诺区域划分模块包括像素点标记模块和像素点合并模块;
所述像素点标记模块,被配置为对非血管位置的像素点进行标记;根据距离某一像素点最近的动脉血管的类别,标记该像素点的值;则同一类别的动脉血管周围的像素点的标记值相同,该像素点的标记值即为离其最近的动脉血管的标记值;
所述像素点合并模块,被配置为对相同标记值的非血管位置的像素点进行合并,得到该类别的动脉血管对应的维诺区域。
本发明可以达到的技术效果是:
本发明利用动脉曲线与其他组织曲线的不同进行动脉分割,然后基于维诺图生成每段动脉的供血区,这样每个供血区就可以用对应段的血管曲线作为AIF,从而达到局部AIF的目的。由于本发明基于局部AIF来进行动态灌注定量分析,因此能够解决全局近似出现的问题,有助于提高临床评价的准确度。
附图说明
本领域的技术人员应理解,以下说明仅是示意性地说明本发明的原理,所述原理可按多种方式应用,以实现许多不同的可替代实施方式。这些说明仅用于示出本发明的教导内容的一般原理,不意味着限制在此所公开的发明构思。
结合在本说明书中并构成本说明书的一部分的附图示出了本发明的实施方式,并且与上文的总体说明和下列附图的详细说明一起用于解释本发明的原理。
下面结合附图和具体实施方式对本发明作进一步详细的说明:
图1是现有技术采用不同的AIF反卷积所得到的残留曲线示意图;
图2a是不同类别的动脉血管的时间信号曲线的示意图;
图2b是不同类别的动脉血管的分类示意图;
图3是不同类别的动脉血管对应的维诺(Voronoi)区域的示意图;
图4a是本发明的不同类别动脉血管分割效果示意图;
图4b是本发明的供血区分割效果示意图。
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的附图,对本发明实施例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的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的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。除非另外定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本文中使用的“包括”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
本发明动态灌注影像处理的定量分析方法,包括以下步骤:
步骤0,对灌注数据进行预处理:逐时间点进行运动矫正、背景去除、图像去噪;
步骤1,利用信号强度和达峰时间阈值分割出动脉血管;
本发明利用动脉血管的信号强度比正常组织高,达峰时间比静脉小的特性,从灌注数据中分割出动脉血管;
该步骤自动完成后,如所分割的动脉血管不连续,或者因噪声导致局部不清晰,则可以进行人工交互式的修正;
步骤2,对所分割的动脉血管进行分类,并将不同类别的动脉血管标记成不同值,得到动脉血管的标签图像;
如图2a所示,由于同类的血管,其时间信号曲线的特征是类似的;本发明根据时间信号曲线的特征值,如峰值、达峰时间、曲线下面积等,对所分割的动脉血管进行分类;
对动脉血管的分类方法可以是模糊聚类(Fuzzycluster)或者支持向量机(Support Vector Machine)、随机森林(Random Forest)等;
对不同类别的动脉血管标记后得到图2b所示的血管分类效果图;
步骤3,对动脉血管的标签图像进行距离变换,得到不同类别血管所属的维诺(Voronoi)空间;然后对具有相同标记值且空间上相邻的区域进行合并,得到维诺(Voronoi)区域,实现基于动脉血管的全脑区域的空间划分,如图3所示;
具体地,全脑区域的空间划分方法如下:
步骤3.1,对非血管位置的像素点进行标记;
根据距离某一像素点最近的动脉血管的类别,标记该像素点的值;则同一类别的动脉血管周围的像素点的标记值相同,该像素点的标记值即为离其最近的动脉血管的标记值;
步骤3.2,对相同标记值的非血管位置的像素点进行合并,得到该类别的动脉血管对应的维诺(Voronoi)区域;
步骤4,将同类动脉血管的平均时间信号曲线作为对应维诺(Voronoi)区域的局部AIF,进行后续的灌注定量分析。
后续的灌注定量分析与现有技术相同,对局部AIF求解反卷积以得到组织脉冲残余曲线,最后使用脉冲残余曲线定量计算出脑血流量(CBF)、脑血容量(CBV)、平均通过时间(MTT)、最大剩余功能时间(Tmax)等参数图像。
本发明动态灌注影像处理的定量分析系统,包括动脉血管分割模块、动脉血管标记模块、维诺区域划分模块、灌注定量分析模块;
动脉血管分割模块,被配置为利用信号强度和达峰时间阈值分割出动脉血管;
动脉血管标记模块,被配置为对所分割的动脉血管进行分类,并将不同类别的动脉血管标记成不同值,得到动脉血管的标签图像;
维诺区域划分模块,被配置为对动脉血管的标签图像进行距离变换,得到不同类别血管所属的维诺空间;对具有相同标记值且空间上相邻的区域进行合并,得到维诺区域,实现基于动脉血管的全脑区域的空间划分;
灌注定量分析模块,被配置为将同类动脉血管的平均时间信号曲线作为对应维诺区域的局部AIF,进行后续的灌注定量分析。
进一步地,维诺区域划分模块包括像素点标记模块和像素点合并模块;
像素点标记模块,被配置为对非血管位置的像素点进行标记;根据距离某一像素点最近的动脉血管的类别,标记该像素点的值;则同一类别的动脉血管周围的像素点的标记值相同,该像素点的标记值即为离其最近的动脉血管的标记值;
像素点合并模块,被配置为对相同标记值的非血管位置的像素点进行合并,得到该类别的动脉血管对应的维诺区域。
本发明根据动脉血管的类别,对全脑区域进行空间划分,得到如图4a所示的动脉血管分割效果图,使不同类别的动脉血管都有了属于自己的脑部区域,其维诺(Voronoi)区域可以理解为该类血管的责任供血区域,即如图4b所示的供血区分割效果。因此,本发明将同类血管的平均时间信号曲线作为对应区域的局部AIF,所得到的灌注定量分析值更准确。
本发明采用局部AIF,无需近似处理,因而能够避免近似处理过程中可能产生的误差。
本发明统一采用局部AIF,能够避免产生人为误差。
显然,本领域的技术人员可以对本发明进行各种改动和变形,而不脱离本发明的精神和范围。这样,倘若本发明的这些修改属于本发明权利要求及其同等技术的范围之内,则本发明也意图包含这些改动和变形在内。
Claims (7)
1.一种动态灌注影像处理的定量分析方法,其特征在于,包括以下步骤:
步骤1,利用信号强度和达峰时间阈值分割出动脉血管;
步骤2,对所分割的动脉血管进行分类,并将不同类别的动脉血管标记成不同值,得到动脉血管的标签图像;
步骤3,对动脉血管的标签图像进行距离变换,得到不同类别的动脉血管所属的维诺空间;然后对具有相同标记值且空间上相邻的区域进行合并,得到维诺区域,实现基于动脉血管的全脑区域的空间划分;所述维诺区域为该类别的动脉血管的责任供血区域;
步骤4,将同类别的动脉血管的平均时间信号曲线作为对应维诺区域的局部AIF,进行后续的灌注定量分析;
所述步骤3的具体方法如下:
步骤3.1,对非血管位置的像素点进行标记;
根据距离某一像素点最近的动脉血管的类别,标记该像素点的值;则同一类别的动脉血管周围的像素点的标记值相同,该像素点的标记值即为离其最近的动脉血管的标记值;
步骤3.2,对相同标记值的非血管位置的像素点进行合并,得到该类别的动脉血管对应的维诺区域。
2.根据权利要求1所述的动态灌注影像处理的定量分析方法,其特征在于,所述步骤1之前执行步骤0:对灌注数据进行预处理。
3.根据权利要求2所述的动态灌注影像处理的定量分析方法,其特征在于,所述步骤0的预处理方法包括:逐时间点进行运动矫正、背景去除、图像去噪。
4.根据权利要求1所述的动态灌注影像处理的定量分析方法,其特征在于,所述步骤2执行之前对所分割出的动脉血管进行人工修正。
5.根据权利要求1所述的动态灌注影像处理的定量分析方法,其特征在于,所述步骤2中对动脉血管进行分类的方法为模糊聚类或者支持向量机、随机森林。
6.一种动态灌注影像处理的定量分析系统,其特征在于,包括动脉血管分割模块、动脉血管标记模块、维诺区域划分模块、灌注定量分析模块;
动脉血管分割模块,被配置为利用信号强度和达峰时间阈值分割出动脉血管;
动脉血管标记模块,被配置为对所分割的动脉血管进行分类,并将不同类别的动脉血管标记成不同值,得到动脉血管的标签图像;
维诺区域划分模块,被配置为对动脉血管的标签图像进行距离变换,得到不同类别的动脉血管所属的维诺空间;对具有相同标记值且空间上相邻的区域进行合并,得到维诺区域,实现基于动脉血管的全脑区域的空间划分;所述维诺区域为该类别的动脉血管的责任供血区域;
灌注定量分析模块,被配置为将同类别的动脉血管的平均时间信号曲线作为对应维诺区域的局部AIF,进行后续的灌注定量分析。
7.根据权利要求6所述的动态灌注影像处理的定量分析系统,其特征在于,所述维诺区域划分模块包括像素点标记模块和像素点合并模块;
所述像素点标记模块,被配置为对非血管位置的像素点进行标记;根据距离某一像素点最近的动脉血管的类别,标记该像素点的值;则同一类别的动脉血管周围的像素点的标记值相同,该像素点的标记值即为离其最近的动脉血管的标记值;
所述像素点合并模块,被配置为对相同标记值的非血管位置的像素点进行合并,得到该类别的动脉血管对应的维诺区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910584841.4A CN110301900B (zh) | 2019-07-01 | 2019-07-01 | 动态灌注影像处理的定量分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910584841.4A CN110301900B (zh) | 2019-07-01 | 2019-07-01 | 动态灌注影像处理的定量分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110301900A CN110301900A (zh) | 2019-10-08 |
CN110301900B true CN110301900B (zh) | 2020-06-05 |
Family
ID=68078247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910584841.4A Active CN110301900B (zh) | 2019-07-01 | 2019-07-01 | 动态灌注影像处理的定量分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110301900B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191998B (zh) * | 2021-01-15 | 2023-01-13 | 深圳市铱硙医疗科技有限公司 | 基于动脉分割的aif曲线提取系统、方法、装置及介质 |
CN112712523A (zh) * | 2021-02-05 | 2021-04-27 | 南京钺曦医疗科技有限公司 | 一种自动脑灌注数据动脉候选血管筛选方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6389304B1 (en) * | 1997-12-08 | 2002-05-14 | U.S. Philips Corporation | Method of and device for imaging an object by means of magnetic resonance |
CN105701815A (zh) * | 2016-01-12 | 2016-06-22 | 深圳安科高技术股份有限公司 | 一种磁共振灌注成像后处理方法及系统 |
CN107315896A (zh) * | 2016-04-21 | 2017-11-03 | 北京大学 | 一种基于造影剂增强曲线的药代动力学参数估计方法 |
EP3378398A1 (en) * | 2017-03-24 | 2018-09-26 | Koninklijke Philips N.V. | Myocardial ct perfusion image synthesis |
CN109726752A (zh) * | 2018-12-25 | 2019-05-07 | 脑玺(上海)智能科技有限公司 | 基于时间信号曲线的灌注动态影像的分割方法及系统 |
-
2019
- 2019-07-01 CN CN201910584841.4A patent/CN110301900B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6389304B1 (en) * | 1997-12-08 | 2002-05-14 | U.S. Philips Corporation | Method of and device for imaging an object by means of magnetic resonance |
CN105701815A (zh) * | 2016-01-12 | 2016-06-22 | 深圳安科高技术股份有限公司 | 一种磁共振灌注成像后处理方法及系统 |
CN107315896A (zh) * | 2016-04-21 | 2017-11-03 | 北京大学 | 一种基于造影剂增强曲线的药代动力学参数估计方法 |
EP3378398A1 (en) * | 2017-03-24 | 2018-09-26 | Koninklijke Philips N.V. | Myocardial ct perfusion image synthesis |
CN109726752A (zh) * | 2018-12-25 | 2019-05-07 | 脑玺(上海)智能科技有限公司 | 基于时间信号曲线的灌注动态影像的分割方法及系统 |
Non-Patent Citations (2)
Title |
---|
《Arterial input function measurements for bolus tracking perfusion imaging in the brain》;Elias Kellner etc;《Magnetic Resonance in Medicine》;20131231(第69期);771-780 * |
《基于聚类分析提取DSC-MRI脑灌注的动脉输入函数》;尹建东;《中国博士学位论文全文数据库 医药卫生科技辑》;20180115;E060-1 * |
Also Published As
Publication number | Publication date |
---|---|
CN110301900A (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6034299B2 (ja) | 半影帯サイズを推定するためのシステムおよびその作動方法 | |
Wang et al. | Threshold segmentation algorithm for automatic extraction of cerebral vessels from brain magnetic resonance angiography images | |
US9196037B2 (en) | Vascular territory segmentation using mutual clustering information from image space and label space | |
JP2004535874A (ja) | 磁気共鳴血管造影法及びその装置 | |
Deshpande et al. | Automatic segmentation, feature extraction and comparison of healthy and stroke cerebral vasculature | |
TW201903708A (zh) | 數位減影血管攝影圖像的分析方法與系統 | |
Blankena et al. | Thinner regions of intracranial aneurysm wall correlate with regions of higher wall shear stress: a 7T MRI study | |
US20080194943A1 (en) | Perfusion Weighted Mri with Local Arterial Input Functions | |
Worth et al. | Precise segmentation of the lateral ventricles and caudate nucleus in MR brain images using anatomically driven histograms | |
CN110301900B (zh) | 动态灌注影像处理的定量分析方法及系统 | |
Dunås et al. | Automatic labeling of cerebral arteries in magnetic resonance angiography | |
Fan et al. | An automatic estimation of arterial input function based on multi-stream 3D CNN | |
CN112819800A (zh) | Dsa影像识别方法、装置及存储介质 | |
Phellan et al. | Automatic temporal segmentation of vessels of the brain using 4D ASL MRA images | |
Hameeteman et al. | Carotid wall volume quantification from magnetic resonance images using deformable model fitting and learning-based correction of systematic errors | |
Avadiappan et al. | A fully automated method for segmenting arteries and quantifying vessel radii on magnetic resonance angiography images of varying projection thickness | |
Woźniak et al. | 3D vascular tree segmentation using a multiscale vesselness function and a level set approach | |
CN109726752A (zh) | 基于时间信号曲线的灌注动态影像的分割方法及系统 | |
CN109726753A (zh) | 基于时间信号曲线的灌注动态影像的分割方法及系统 | |
Sekiguchi et al. | Blood vessel segmentation for head MRA using branch‐based region growing | |
CN112784928A (zh) | Dsa影像识别方法、装置及存储介质 | |
WO2022207238A1 (en) | Methods and systems for biomedical image segmentation based on a combination of arterial and portal image information | |
Almi'ani et al. | A modified region growing based algorithm to vessel segmentation in magnetic resonance angiography | |
Woźniak et al. | Segmentation of 3D magnetic resonance brain vessel images based on level set approaches | |
Luo et al. | Recent progresses on cerebral vasculature segmentation for 3D quantification and visualization of MRA |
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 |