CN110490040A - 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 - Google Patents
一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 Download PDFInfo
- Publication number
- CN110490040A CN110490040A CN201910464162.3A CN201910464162A CN110490040A CN 110490040 A CN110490040 A CN 110490040A CN 201910464162 A CN201910464162 A CN 201910464162A CN 110490040 A CN110490040 A CN 110490040A
- Authority
- CN
- China
- Prior art keywords
- image
- blood vessel
- vessel
- coronary artery
- dsa
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 31
- 206010057469 Vascular stenosis Diseases 0.000 title abstract description 5
- 208000031481 Pathologic Constriction Diseases 0.000 claims abstract description 20
- 208000037804 stenosis Diseases 0.000 claims abstract description 20
- 230000036262 stenosis Effects 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims abstract description 4
- 210000004204 blood vessel Anatomy 0.000 claims description 35
- 230000011218 segmentation Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 230000002792 vascular Effects 0.000 claims description 6
- 235000002566 Capsicum Nutrition 0.000 claims description 4
- 239000006002 Pepper Substances 0.000 claims description 4
- 235000016761 Piper aduncum Nutrition 0.000 claims description 4
- 235000017804 Piper guineense Nutrition 0.000 claims description 4
- 235000008184 Piper nigrum Nutrition 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 150000003839 salts Chemical class 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 230000002452 interceptive effect Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 231100000216 vascular lesion Toxicity 0.000 abstract description 2
- 230000003902 lesion Effects 0.000 description 5
- 238000002586 coronary angiography Methods 0.000 description 4
- 241000722363 Piper Species 0.000 description 3
- 238000004195 computer-aided diagnosis Methods 0.000 description 3
- 208000029078 coronary artery disease Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 2
- 201000000057 Coronary Stenosis Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010060965 Arterial stenosis Diseases 0.000 description 1
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 208000026758 coronary atherosclerosis Diseases 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 210000001105 femoral artery Anatomy 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000414 obstructive effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 210000002321 radial artery Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000004218 vascular function Effects 0.000 description 1
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/14—Vascular patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种识别DSA冠状动脉图像中局部血管狭窄程度的方法，包括以下步骤：1)对造影图像预处理，并分割出冠状动脉结构；2)对所述冠状动脉结构进行边缘检测，提取感兴趣区域血管边界信息；识别血管的拓扑结构，获取血管中心线；3)沿所述的血管中心线逐点计算血管半径，得出局部血管狭窄程度。本发明实现冠脉血管病灶的交互式测量，减少了人工参与带来的诊断偏差与低估问题，辅助医生对DSA影像进行快速、准确的处理和分析，保证了实际诊断中的应用效率与客观性要求。
Description
技术领域
本发明涉及计算机辅助诊断领域，尤其涉及一种识别DSA冠状动脉图像中局部血管狭窄程度的方法。
背景技术
冠状动脉造影是诊断冠心病的一种有效方法。将导管经大腿股动脉、桡动脉或其它周围动脉插入，送至升主动脉，然后探寻左或右冠状动脉口插入，注入造影剂，使冠状动脉显影。能较明确地揭示冠状动脉的解剖畸形及其阻塞性病变的位置、程度与范围。冠状动脉造影是目前唯一能直接观察冠状动脉形态的论断方法，医学界号称其为“金标准”。对于造影中狭窄较重的部位，需要进行介入治疗。
在临床实际应用当中，冠状动脉造影也表现出诸多不足之处。如，它只能显示管腔的情况，不能显示病变所在的管壁和粥样斑块，不能提供粥样斑块形态和性质的详细情况，有可能使医生低估冠脉狭窄的程度。这就使得依据冠脉造影评价冠脉粥样硬化和介入治疗疗效的准确度降低。
近年来，随着计算机的分析技术的快速发展，计算机辅助诊断 (Computer AidedDiagnosis,CAD)在临床治疗决策中发挥了日益重要的作用，利用医学图像处理技术对造影图像进行辅助分析，可快速准确地对冠状动脉进行分割和测量，评估冠脉病变的严重程度，辅助医生客观、准确地进行诊断，对冠脉疾病临床诊断具有重要意义。因此，借助计算机技术，识别DSA冠状动脉图像中局部血管狭窄程度，对研究和推动心血管疾病的防治工作，具有重要的临床价值和社会意义。
发明内容
本发明结合临床实际需求，提出一种识别DSA冠状动脉图像中局部血管狭窄程度的方法，避免了自适应的参数很难满足图像中出现的各种复杂情况，实现冠脉血管病灶的交互式测量，减少了人工参与带来的诊断偏差与低估问题，辅助医生对DSA影像进行快速、准确的处理和分析，保证了实际诊断中的应用效率与客观性要求。
为实现上述的发明目的，所采用的具体技术方案如下：
一种识别DSA冠状动脉图像中局部血管狭窄程度的方法，包括以下步骤：
1)对造影图像预处理，并分割出冠状动脉结构；
2)对所述冠状动脉结构进行边缘检测，提取感兴趣区域血管边界信息；识别血管的拓扑结构，获取血管中心线；
3)沿所述的血管中心线逐点计算血管半径，得出局部血管狭窄程度。
作为优选的，在步骤1)中，所述的预处理为依次进行的中值滤波、对比度拉伸和多尺度血管增强滤波，增强血管结构，抑制背景噪声，快速、准确地分割出冠状动脉。
作为优选的，所述预处理的具体过程包括：
(1)采用中值滤波处理造影图像中的椒盐噪声，输出 g(x,y)＝med{f(x-k,y-I)},(k,I∈W)，f(x,y)为原始信号，g(x,y)为处理后的结果，W为二维模板，k,I为模板尺寸范围内任意值，f(x-k,y-I)为目标点(x,y)领域的像素值，一般采用3*3方形区域；
(2)通过对比度拉伸修改图像的灰度范围，将其灰度分布动态范围充分拉伸至0-255，变换实现如下：把原始图像灰度范围从[m,M]调整至[n,N]；
(3)构造多尺度增强滤波器，利用Hessian矩阵对图像中的线性结构进行增强，滤去点状的结构和噪声点；根据Hessian矩阵的定义：其中I为原图像，(x,y)为像素的坐标，Ixy,Ixx,Iyy分别为I的二阶偏导数，将Hessian矩阵的差分运算与高斯函数结合，得到不同尺度因子σ下的线性增强滤波，尺度空间导数 代表卷积操作，为求偏导数操作，a,b代表尺度空间下的两个维度，(x,y)为像素的坐标，其中高斯函数表达式为σ是高斯滤波器的标准差，为空间尺度因子；根据两个特征值λ1和λ2以及对应的特征向量，提出血管函数阈值设置为其中σmin和σmax为尺度上下限，则最终输出的增强图像为
作为优选的，在步骤2)中，提取并分析血管结构，包括分叉点、端点、骨架及轮廓。
作为优选的，在步骤1)中，采用阈值分割方法分割出冠状动脉结构，具体过程包括：
(1)对于图像I(x,y)，假设图像的大小为M×N＝N1+N2，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1；
(2)前景和背景的分割阈值记作T，属于前景的像素点占整幅图像的比例为其平均灰度值μ1，背景像素点占整幅图像的比例为其平均灰度值μ2，图像的总平均灰度值记为μ＝μ1×ω1+μ2×ω2。
(3)采用遍历的方法得到寻找到类间方差的最大值g＝ω1×ω2×(μ-μ2)2，即为所求的阈值。
作为优选的，在步骤2)中，血管中心线提取的具体过程包括：在血管分割的基础上，采用拓扑细化方法间接获取血管中心线，进行8-领域搜索，循环所有的前景像素点，逐渐删除血管的边界像素点，直至不能细化。
作为优选的，在步骤3)中，采用最大内切圆算法测量血管半径。
作为优选的，根据所述的血管半径，给出ROI区域狭窄程度其中为ROI区域血管段的平均半径，r为待识别血管的半径。
附图说明
图1为血管直径计算示意图；
图2为系统实验图；
图3为系统实验流程图；
图4为冠状动脉结构识别示意图。
具体实施方式
下面结合实施例和附图1-4来详细说明本发明，并将本发明的实验中相关数据公开阐述，进而将本发明的方法详细透彻的传达给本来领域的技术人员。
如图3所示，本实施例中的具体实现步骤如下：
1)如图2所示，收集DSA图像并存储于本地，选择本地影像数据读取图像，采用中值滤波、对比度拉伸、改进的多尺度血管增强滤波等预处理技术对造影图像进行去燥增强，选择感兴趣区域选择，并根据冠状动脉骨架的整体走势，标点选择需病变诊断的区域。
本实例中，图像预处理的具体过程包括：
(1.1)心血管造影图像中存在椒盐噪声，采用中值滤波对处理椒盐噪声，输出g(x,y)＝med{f(x-k,y-I)},(k,I∈W)，f(x,y)为原始信号，W为二维模板，采用3*3方形区域。
(1.2)通过对比度拉伸修改输入图像的灰度范围，将其灰度分布动态范围充分拉伸至0-255，从而突显图像细节，变换实现如下：把原始图像灰度范围从[m,M]调整至[n,N]。
(1.3)构造多尺度增强滤波器，利用Hessian矩阵对图像中的线性结构进行增强，滤去点状的结构和噪声点。根据Hessian矩阵的定义：将Hessian矩阵的差分运算与高斯函数结合，得到不同尺度因子σ下的线性增强滤波，尺度空间导数其中高斯函数表达式为根据两个特征值λ1和λ2以及对应的特征向量，提出一种新的血管函数阈值设置为其中σmin和σmax为尺度上下限，可依据图像中血管的直径的范围确定。则最终输出的增强图像为
2)血管分割，快速、准确地分割出冠状动脉，提取完整的冠脉结构，并进行边缘检测，利用形态学处理分离血管边缘与非血管边缘的连接、血管边缘拟合提取感兴趣区域血管边界信息。
阈值分割方法的具体过程包括：
(2.1)对于图像I(x,y)，假设图像的大小为M×N＝N1+N2，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1。
(2.2)前景和背景的分割阈值记作T，属于前景的像素点占整幅图像的比例为其平均灰度值μ0，背景像素点占整幅图像的比例为其平均灰度值，μ1图像的总平均灰度值记为μ＝μ1×ω1+μ2×ω2
(2.3)采用遍历的方法得到寻找到类间方差的最大值 g＝ω1×ω2×(μ-μ2)2，即为所求的阈值。
3)血管拓扑结构识别，根据其拓扑结构，如图4所示，将提取的血管骨架抽象成唯一确定的二叉树，便于像素信息的储存和遍历，提取并分析血管结构(包括中心线、分叉点、端点等)。
在血管分割的基础上，采用改进了拓扑细化方法间接获取血管中心线，进行8-领域搜索，识别血管拓扑结构。
4)采用细化方法间接提取血管中心线，如图1所示，采用最大内切圆算法对分割出的血管逐点计算血管直径，可用于分段检测血管是否阻塞病变，提出交互式的冠脉狭窄程度诊断辅助机制，避免自适应的参数很难满足图像中出现的各种复杂情况。
冠脉狭窄判别的具体过程包括：在中心线提取的基础上，采用最大内切圆方法，计算得到感兴趣区域骨架上血管的半径。针对统计完的半径信息，给出ROI区域狭窄程度其中为ROI区域血管段的平均半径。SROI可以充分反映局部血管狭窄特点。根据上述的识别方法，结合国际通用的NASCET，可辅助医生给出四级狭窄程度分级诊断：
(1)SROI＜15％建议诊断为正常；
(2)15％≤SROI＜40％建议诊断为轻微狭窄；
(3)40％≤SROI＜70％建议诊断为中度狭窄；
(4)SROI≥70％建议诊断为重度狭窄或阻塞。
以上所述仅为本发明的较佳实施举例，并不用于限制本发明，凡在本发明精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种识别DSA冠状动脉图像中局部血管狭窄程度的方法，其特征在于：包括以下步骤：
1)对造影图像预处理，并分割出冠状动脉结构；
2)对所述冠状动脉结构进行边缘检测，提取感兴趣区域血管边界信息；识别血管的拓扑结构，获取血管中心线；
3)沿所述的血管中心线逐点计算血管半径，得出局部血管狭窄程度。
2.如权利要求1所述的识别DSA冠状动脉图像中局部血管狭窄程度的方法，其特征在于：在步骤1)中，所述的预处理为依次进行的中值滤波、对比度拉伸和多尺度血管增强滤波。
3.如权利要求2所述的识别DSA冠状动脉图像中局部血管狭窄程度的方法，其特征在于：所述预处理的具体过程包括：
(1)采用中值滤波处理造影图像中的椒盐噪声，输出g(x,y)＝med{f(x-k,y-I)},(k,I∈W)，f(x,y)为原始信号，W为二维模板；
(2)通过对比度拉伸修改图像的灰度范围，将其灰度分布动态范围充分拉伸至0-255，变换实现如下：把原始图像灰度范围从[m,M]调整至[n,N]；
(3)构造多尺度增强滤波器，利用Hessian矩阵对图像中的线性结构进行增强，滤去点状的结构和噪声点；根据Hessian矩阵的定义：将Hessian矩阵的差分运算与高斯函数结合，得到不同尺度因子σ下的线性增强滤波，尺度空间导数其中高斯函数表达式为根据两个特征值λ1和λ2以及对应的特征向量，提出血管函数阈值设置为其中σmin和σmax为尺度上下限，则最终输出的增强图像为
4.如权利要求1所述的识别DSA冠状动脉图像中局部血管狭窄程度的方法，其特征在于：在步骤2)中，提取并分析血管结构，包括分叉点、端点、骨架及轮廓。
5.如权利要求1所述的识别DSA冠状动脉图像中局部血管狭窄程度的方法，其特征在于：在步骤1)中，采用阈值分割方法分割出冠状动脉结构，具体过程包括：
(1)对于图像I(x,y)，假设图像的大小为M×N＝N1+N2，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1；
(2)前景和背景的分割阈值记作T，属于前景的像素点占整幅图像的比例为其平均灰度值μ0，背景像素点占整幅图像的比例为其平均灰度值，μ1图像的总平均灰度值记为μ＝μ1×ω1+μ2×ω2；
(3)采用遍历的方法得到寻找到类间方差的最大值g＝ω1×ω2×(μ-μ2)2，即为所求的阈值。
6.如权利要求1所述的识别DSA冠状动脉图像中局部血管狭窄程度的方法，其特征在于：在步骤2)中，血管中心线提取的具体过程包括：在血管分割的基础上，采用拓扑细化方法间接获取血管中心线，进行8-领域搜索，循环所有的前景像素点，逐渐删除血管的边界像素点，直至不能细化。
7.如权利要求1所述的识别DSA冠状动脉图像中局部血管狭窄程度的方法，其特征在于：在步骤3)中，采用最大内切圆算法测量血管半径。
8.如权利要求1所述的识别DSA冠状动脉图像中局部血管狭窄程度的方法，其特征在于：根据所述的血管半径，给出ROI区域狭窄程度其中为ROI区域血管段的平均半径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910464162.3A CN110490040B (zh) | 2019-05-30 | 2019-05-30 | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910464162.3A CN110490040B (zh) | 2019-05-30 | 2019-05-30 | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110490040A true CN110490040A (zh) | 2019-11-22 |
| CN110490040B CN110490040B (zh) | 2022-04-12 |
Family
ID=68546307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910464162.3A Active CN110490040B (zh) | 2019-05-30 | 2019-05-30 | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110490040B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047612A (zh) * | 2019-12-25 | 2020-04-21 | 宝鸡市中医医院 | 一种冠状动脉ct血管造影图像分割方法 |
| CN111369528A (zh) * | 2020-03-03 | 2020-07-03 | 重庆理工大学 | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 |
| CN111445449A (zh) * | 2020-03-19 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
| CN113129301A (zh) * | 2021-05-11 | 2021-07-16 | 首都医科大学附属北京天坛医院 | 一种颅内动脉瘤手术规划的预测方法、装置以及设备 |
| CN113408603A (zh) * | 2021-06-15 | 2021-09-17 | 西安理工大学 | 一种基于多分类器融合的冠状动脉狭窄病变程度识别方法 |
| CN114170143A (zh) * | 2021-11-11 | 2022-03-11 | 复旦大学 | 数字减影血管造影中的动脉瘤检测和破裂风险预测方法 |
| CN114170134A (zh) * | 2021-11-03 | 2022-03-11 | 杭州脉流科技有限公司 | 基于颅内dsa影像的狭窄评估方法及装置 |
| CN114419047A (zh) * | 2022-03-30 | 2022-04-29 | 中国科学院自动化研究所 | 用于确定血管形态特征的方法、装置、设备和存储介质 |
| WO2022109906A1 (zh) * | 2020-11-25 | 2022-06-02 | 苏州润迈德医疗科技有限公司 | 三维血管的渲染合成方法、系统及存储介质 |
| WO2022199403A1 (zh) * | 2021-03-26 | 2022-09-29 | 北京阅影科技有限公司 | 血管中心线的提取方法及装置 |
| WO2023130664A1 (zh) * | 2022-01-07 | 2023-07-13 | 乐普（北京）医疗器械股份有限公司 | 一种血管造影图像的分析方法和装置 |
| CN116649925A (zh) * | 2023-07-28 | 2023-08-29 | 杭州脉流科技有限公司 | 颅内动脉狭窄功能学评估的方法和装置 |
| CN117197096A (zh) * | 2023-09-13 | 2023-12-08 | 广州麦笛亚医疗器械有限公司 | 一种基于血管图像的血管功能评估方法和系统 |
| CN117974543A (zh) * | 2023-10-23 | 2024-05-03 | 郑州大学 | 一种用于血管介入手术的图像处理方法、系统及存储介质 |
| CN118967677A (zh) * | 2024-10-16 | 2024-11-15 | 华慧健(天津)科技有限公司 | 基于节段划分的冠脉造影图像识别方法、设备及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106537451A (zh) * | 2016-10-11 | 2017-03-22 | 深圳先进技术研究院 | 一种基于图像梯度矢量流场的血管脊点提取方法及装置 |
| CN107610117A (zh) * | 2017-09-18 | 2018-01-19 | 广州慧扬健康科技有限公司 | 冠状动脉管腔图像自动分割系统 |
| CN109003279A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及系统 |
-
2019
- 2019-05-30 CN CN201910464162.3A patent/CN110490040B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106537451A (zh) * | 2016-10-11 | 2017-03-22 | 深圳先进技术研究院 | 一种基于图像梯度矢量流场的血管脊点提取方法及装置 |
| CN107610117A (zh) * | 2017-09-18 | 2018-01-19 | 广州慧扬健康科技有限公司 | 冠状动脉管腔图像自动分割系统 |
| CN109003279A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 刘姝月: ""DSA图像血管増强与中心线提取算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 李丽等: ""冠脉造影图像血管增强新方法研究"", 《中国医学影像技术》 * |
| 杨阳: ""冠脉造影图像的血管结构识别研究"", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047612B (zh) * | 2019-12-25 | 2023-02-24 | 宝鸡市中医医院 | 一种冠状动脉ct血管造影图像分割方法 |
| CN111047612A (zh) * | 2019-12-25 | 2020-04-21 | 宝鸡市中医医院 | 一种冠状动脉ct血管造影图像分割方法 |
| CN111369528A (zh) * | 2020-03-03 | 2020-07-03 | 重庆理工大学 | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 |
| CN111369528B (zh) * | 2020-03-03 | 2022-09-09 | 重庆理工大学 | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 |
| CN111445449A (zh) * | 2020-03-19 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
| CN111445449B (zh) * | 2020-03-19 | 2024-03-01 | 上海联影智能医疗科技有限公司 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
| WO2022109906A1 (zh) * | 2020-11-25 | 2022-06-02 | 苏州润迈德医疗科技有限公司 | 三维血管的渲染合成方法、系统及存储介质 |
| WO2022199403A1 (zh) * | 2021-03-26 | 2022-09-29 | 北京阅影科技有限公司 | 血管中心线的提取方法及装置 |
| CN113129301A (zh) * | 2021-05-11 | 2021-07-16 | 首都医科大学附属北京天坛医院 | 一种颅内动脉瘤手术规划的预测方法、装置以及设备 |
| CN113408603A (zh) * | 2021-06-15 | 2021-09-17 | 西安理工大学 | 一种基于多分类器融合的冠状动脉狭窄病变程度识别方法 |
| CN113408603B (zh) * | 2021-06-15 | 2023-10-31 | 西安华企众信科技发展有限公司 | 一种基于多分类器融合的冠状动脉狭窄病变程度识别方法 |
| CN114170134A (zh) * | 2021-11-03 | 2022-03-11 | 杭州脉流科技有限公司 | 基于颅内dsa影像的狭窄评估方法及装置 |
| CN114170134B (zh) * | 2021-11-03 | 2023-03-10 | 杭州脉流科技有限公司 | 基于颅内dsa影像的狭窄评估方法及装置 |
| CN114170143A (zh) * | 2021-11-11 | 2022-03-11 | 复旦大学 | 数字减影血管造影中的动脉瘤检测和破裂风险预测方法 |
| WO2023130664A1 (zh) * | 2022-01-07 | 2023-07-13 | 乐普（北京）医疗器械股份有限公司 | 一种血管造影图像的分析方法和装置 |
| CN114419047A (zh) * | 2022-03-30 | 2022-04-29 | 中国科学院自动化研究所 | 用于确定血管形态特征的方法、装置、设备和存储介质 |
| CN116649925A (zh) * | 2023-07-28 | 2023-08-29 | 杭州脉流科技有限公司 | 颅内动脉狭窄功能学评估的方法和装置 |
| CN116649925B (zh) * | 2023-07-28 | 2023-10-31 | 杭州脉流科技有限公司 | 颅内动脉狭窄功能学评估的方法和装置 |
| CN117197096A (zh) * | 2023-09-13 | 2023-12-08 | 广州麦笛亚医疗器械有限公司 | 一种基于血管图像的血管功能评估方法和系统 |
| CN117197096B (zh) * | 2023-09-13 | 2024-02-20 | 广州麦笛亚医疗器械有限公司 | 一种基于血管图像的血管功能评估方法和系统 |
| CN117974543A (zh) * | 2023-10-23 | 2024-05-03 | 郑州大学 | 一种用于血管介入手术的图像处理方法、系统及存储介质 |
| CN118967677A (zh) * | 2024-10-16 | 2024-11-15 | 华慧健(天津)科技有限公司 | 基于节段划分的冠脉造影图像识别方法、设备及系统 |
| CN118967677B (zh) * | 2024-10-16 | 2024-12-20 | 华慧健(天津)科技有限公司 | 基于节段划分的冠脉造影图像识别方法、设备及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110490040B (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110490040B (zh) | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 | |
| CN108133476B (zh) | 一种肺结节自动检测方法及系统 | |
| CN109300113B (zh) | 一种基于改进凸包方法的肺结节辅助检测系统及方法 | |
| CN104867147A (zh) | 基于冠状动脉造影图像分割的syntax自动评分方法 | |
| CN110448319B (zh) | 基于造影影像及冠状动脉的血流速度计算方法 | |
| CN106875375B (zh) | 一种基于管状特征跟踪的三维血管中轴线提取方法 | |
| CN103337096B (zh) | 一种冠状动脉ct造影图像钙化点检测方法 | |
| CN104091346A (zh) | 一种全自动ct图像冠状动脉钙化分数计算方法 | |
| CN113470137B (zh) | 基于灰度加权的ivoct图像导丝伪影去除方法 | |
| Vukadinovic et al. | Segmentation of the outer vessel wall of the common carotid artery in CTA | |
| Shahzad et al. | Automatic stenoses detection, quantification and lumen segmentation of the coronary arteries using a two point centerline extraction scheme | |
| Bauer et al. | Edge based tube detection for coronary artery centerline extraction | |
| CN110111354A (zh) | 肝脏医学图像动脉区域分割方法及系统 | |
| CN114533002B (zh) | 一种颈动脉中心线提取方法、装置、存储介质及电子设备 | |
| Li et al. | An automatic and efficient coronary arteries extraction method in CT angiographies | |
| CN114998292A (zh) | 一种基于残差双注意力机制的心血管钙化斑块检测系统 | |
| Mohan et al. | Detection and localization of coronary artery stenotic segments using image processing | |
| Popov et al. | A review of modern approaches for coronary angiography imaging analysis | |
| Samet et al. | A new methodology for blood vessel segmentation on lung CT images | |
| Maklad et al. | Blood vessel-based liver segmentation through the portal phase of a CT dataset | |
| Alzoubi et al. | Automatic segmentation and detection system for varicocele in supine position | |
| CN116363311A (zh) | 冠脉Leiden分数计算及风险分级的方法和系统 | |
| Xiang et al. | Segmentation of retinal blood vessels based on divergence and bot-hat transform | |
| Alirr et al. | An automated liver vasculature segmentation from CT scans for hepatic surgical planning | |
| Kulathilake et al. | A segmentation method for extraction of main arteries from coronary cine-angiograms |
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: 20230323 Address after: Room 1403-1404, East 14th Floor, Building 71, No. 90, Wensan Road, Xihu District, Hangzhou City, Zhejiang Province, 310000 Patentee after: Hangzhou Ivy Intelligent Technology Co.,Ltd. Address before: 310018 No. 2 street, Baiyang street, Hangzhou economic and Technological Development Zone, Zhejiang 928 Patentee before: ZHEJIANG SCI-TECH University |
|
| TR01 | Transfer of patent right |