CN110689080A - 一种血管结构影像的平面图谱构建方法 - Google Patents
一种血管结构影像的平面图谱构建方法 Download PDFInfo
- Publication number
- CN110689080A CN110689080A CN201910940522.2A CN201910940522A CN110689080A CN 110689080 A CN110689080 A CN 110689080A CN 201910940522 A CN201910940522 A CN 201910940522A CN 110689080 A CN110689080 A CN 110689080A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- dimensional
- curved surface
- vessel region
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 93
- 238000010276 construction Methods 0.000 title claims abstract description 13
- 230000002792 vascular Effects 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 210000001367 artery Anatomy 0.000 claims abstract description 4
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 210000003462 vein Anatomy 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 27
- 238000005259 measurement Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000012856 packing Methods 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000000004 hemodynamic effect Effects 0.000 abstract description 2
- 230000017531 blood circulation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000000691 measurement method Methods 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
- 210000001328 optic nerve Anatomy 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种血管结构影像的平面图谱构建方法，包括：1)采集包含局部血管结构的二维或三维医学图像，如果原始图像为血管二维投影图，需要将动脉和静脉区分标注；2)利用图像分割算法提取血管区域，构建血管三维体数据；3)利用细线化算法提取血管区域的骨架线；4)找出骨架线的分支点和端点；5)构建血管的三角形曲面；6)封闭三角网络的端点，形成离散曲面；7)将离散曲面映射至平面，形成离散曲面，保持三角形各边不重叠，得到血管结构的平面二维图像。本发明能够在保留血管间连接关系和血管长度信息的前提下，将血管三维结构展开至二维平面，方便对局部血管区域的血流动力学特性的观测与分析。
Description
技术领域
本发明涉及计算机辅助疾病诊断的应用，特别是涉及一种血管结构影像的平面图谱构建方法。
背景技术
本发明主要在血流特性分析以及血管机器人导航方面起到辅助作用。
图1所示血流特性分析方面：由于心血管疾病在发病初期常在血流的动力学方面有所体现，如果能对身体局部区域(如人眼)的血管特性，特别是微细血管的形态学和流体动力学进行分析，这将有助于对心血管疾病的早期诊断和治疗。临床上有研究者提出通过利用彩色多普勒超声测量眼球后极水平线与视神经暗区相交处来获取CRA频谱的方法以诊断糖尿病视网膜病变，但该测量方法很难对焦具体血管分支，因此误差较大。
随着眼底成像技术的发展，特别是眼底光学成像技术的发展，不仅对眼底微小毛细血管结构的展现有很大提升，对血管功能性测量的准确度方面也有极大改进。然而由于血管形态的复杂性，并且三维空间中动静脉分布交错重叠，这对毛细血管的整体测量带来极大不便。
图2所示血管机器人导航方面：有研究表明，在不久的将来血管机器人将应用于医学临床，用于清除血栓、递送药物等。然而，目前对血管机器人的导航是首先利用CT技术绘制血管的三维图像，确定血管机器人的运行路径程序，然后把血管机器人置入血管中，并通过X射线实时监控血管机器人在血管内的位置，但此种方式需要对患者进行连续X射线照射，这增加了患者被辐射的风险。另外，由于X射线成像是二维图像，对血管的局部复杂结构有时很难进行分析，这对血管机器人的导航带来极大困难。
发明内容
本发明的目的是将血管影像的三维结构进行平面化构建，以解决对三维空间血管的分析、直接观测不便的问题，在保留血管间连接关系和血管长度信息的前提下，展开血管结构，使各血管分支不重叠。在进一步标注血管层次结构的基础上，能方便地对血流动力学特性进行定性计算。
为实现上述目的，本发明提供的方案包括以下步骤：
1)采集包含局部血管结构的二维或三维医学图像，如果所述医学图像为二维投影图，需将此医学图像中的动脉和静脉进行区分标注；
2)利用图像分割算法从步骤1)所述的血管医学图像中分离出血管区域；本发明采用的血管图像分割算法是基于改进的生成对抗网络(Generative Adversarial Net，GAN)的方法，具体包含如下步骤：
201)制作训练数据集：由医学专家在原始医学图像I上标注血管区域，生成血管区域的Mask图像M，将所有图像I和M统一大小并生成训练数据集S；
202)构建包含生成器和辨别器的GAN网络；
所述生成器用于利用原始医学图像生成血管区域；所述辨别器用于辨别出专家标注的血管区域和由生成器生成的血管区域；
203)用步骤202)得到的辨别器对步骤201)中的所有训练数据集S进行辨别，当辨别器对所有训练数据集S都无法辨别时即完成网络训练，得到用于图像中血管区域分割的U-Net网络参数，然后根据得到的U-Net网络参数构建U-Net网络；
204)用训练好的U-Net网络分割待分割原始医学图像I，得到血管区域的Mask图像；
3)利用数字图像形态学处理方法细线化步骤2)分离出的血管区域，得到其骨架线，具体包括如下步骤：
301)在9*9的像素空间中创建一个半径为4个像素的圆盘结构元素A，再在3*3像素空间内创建“十”字结构元素B；
302)利用步骤201)所述的平坦型圆盘结构元素A对原始医学图像I进行多次腐蚀运算，填补孔洞，得到处理后的结果图像N；
303)再利用步骤301)所述“十”字结构元素B对步骤302)中得到的结果图像N进行多次膨胀运算后得到血管的骨架线结果；
4)找出步骤3)所述血管区域的骨架线的分支点和端点；
5)以步骤4)中找出的血管区域的骨架线的分支点和端点为原始数据，构建血管的三角形曲面；
6)封闭步骤5)中三角网络的端点，形成离散曲面；
7)将步骤6)得到的离散曲面映射至二维平面，并保持三角形各边互不重叠。
具体方法为：构建由顶点vi，vj，vk组成的三角形单元，网格的顶点记为vi，连接顶点vi和vj的边记为eij，连接顶点vi和vk的边记为eki，连接顶点vj和vk的边记为ejk,假设边eij和边eki表示血管的原边，ejk表示构造边；以顶点vi为圆心的Circle圆半径为γi，两Circle圆相切；顶点vi处的离散Gauss曲率定义为Ki，曲面的平面映射过程分为三个步骤：
701)初始化曲面的Circle Packing度量，指定目标Gauss曲率，令γi初始值设为零，曲面映射的目标平面Gauss曲率Ki设为零；
702)使用Ricci流形计算目标度量
根据目标Gauss曲率来计算目标度量的过程等价于最小化Ricci能量函数的负梯度流F(u)，F(u)计算公式如下式所述：
其中u＝(u1,u2,…,ui),ui为γi的对数值，使用牛顿法最小化能量函数来解ui的变化率，在变化过程中保持原边的长度不变；利用迭代算法重复步骤701)和702)直至曲面曲率值为步骤701)中指定的目标Gauss曲率；
703)根据目标度量网格嵌入到平面
求取各顶点的UV坐标，利用余弦方程(2)把三角网络嵌入至平面内；首先计算Circle Packing方法的初始度量(Γ,Φ)，该初始度量是通过对三维空间中曲面诱导的度量来逼近的，根据余弦方程(2)
其中lij表示构造边，可以使用牛顿法最小化公式(3)所示的能量函数来求解初始度量(Γ,Φ)；
步骤7)中采用增加了“三角形单元的边长”约束条件后的Circle Packing算法实现，可以保证曲面投影前后三角网原边长度等于对应的血管分支长度。
本发明公开了以下技术效果：本发明利用计算机图形图像算法，在保留血管连接关系信息和血管长度信息的前提下，将血管三维结构图展开至二维平面，方便科研人员观测血管结构和分析血液循环功能。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为视网膜OCT血管图像；
图2为血管机器人图像；
图3为本发明血管结构影像的平面图谱构建方法的流程图；
图4为用于本发明用于血管分割的生成对抗网络(GAN)结构；
图5为三维结构表示的血管图像平面化过程
其中，图5(a)为血管医学图像，图5(b)为血管局部区域图像，图5(c)为用三角网格表示的血管结构图像，图5(d)为展成平面后的血管结构图像；
图6为改进的Circle Packing方法中的三角形单元；
图7为血管展开为平面二维结构后的图示；
其中，图4以眼底照相图像中的血管分割为例，图4左半边上部方框内表示由医学专家标注的眼底照相图像中血管的区域(Mask图像)；图4左半边下部方框内表示由U-Net网络构成的GAN网络的生成器，其作用是由眼底照相图像自动生成血管区域(Mask图像)；图4右侧为GAN网络的辨别器，它通过评价函数辨别血管的Mask图像是由医学专家标注的，还是由生成器自动生成的，并将判别结果反馈给生成器。
具体实施方式
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，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。
本发明提供一种血管结构影像的平面图谱构建方法，具体包括：
1)采集包含眼底局部血管结构的二维或三维原始医学图像I，如果所述医学图像为二维投影图，需将此医学图像中的动脉和静脉进行区分标注；
2)分割提取眼底血管图像区域，构建血管三维体数据
利用改进的生成对抗网络(Generative Adversarial Net，GAN)实现血管区域图像的分割，即从原始医学图像I中描述出血管所覆盖的区域，具体的分割方法包含以下步骤：
201)制作训练数据集；由医学专家在原始医学图像I上标注血管区域，生成血管区域的Mask图像M，将所有图像I和M统一大小并生成训练数据集S；
202)构建如图4所示的GAN网络；GAN网络包括两部分：生成器(如图4左半边下部方框内所示)和辨别器(如图4右半边图片所示)；生成器的作用是利用原始医学图像生成血管区域，辨别器的作用是辨别出专家标注的血管区域(如图4左半边上部方框内所示)和由生成器生成的血管区域；
203)用步骤202)得到的辨别器对步骤201)中的所有训练数据集S进行辨别，当辨别器对所有训练数据集S都无法辨别时即完成网络训练，即可以得到用于图像中血管区域分割的U-Net网络参数，然后根据得到的U-Net网络参数构建U-Net网络；
204)用构建的U-Net网络分割待分割图像，得到血管区域的Mask图像。
3)利用图像三维骨架线提取算法提取血管骨架线，具体包括以下步骤：
301)在9*9的像素空间中创建一个半径为4个像素的圆盘结构元素A，再在3*3像素空间内创建“十”字结构元素B；
302)利用步骤301)所述的平坦型圆盘结构元素A对原始医学图像I进行多次腐蚀运算，填补孔洞，得到处理后的结果图像N；
303)再利用“十”字结构元素B对步骤302)处理得到的结果图像N进行多次膨胀运算得到血管的骨架线结果；
4)找出步骤3)所述血管区域的骨架线的分支点和端点；
5)构建血管结构的三角网曲面
501)以血管区域的骨架线的分支点、端点为顶点，连接同级的顶点构成剖分三角形；
502)连接端点，将该图形封闭，形成离散曲面；
6)利用改进的Circle Packing方法将曲面映射至平面
如图6所示的由顶点vi，vj，vk组成的三角形单元中，网格的顶点记为vi，连接顶点vi和vj的边记为eij，连接顶点vi和vk的边记为eki，连接顶点vj和vk的边记为ejk,假设边eij和边eki表示血管的原边，ejk表示构造边；以顶点vi为圆心的Circle圆半径为γi，两Circle圆相切；顶点vi处的离散Gauss曲率定义为Ki，曲面的平面映射过程分为三个步骤：
601)初始化曲面的Circle Packing度量，指定目标Gauss曲率，令γi初始值设为零，曲面映射的目标平面Gauss曲率Ki设为零；
602)使用Ricci流形计算目标度量
根据目标Gauss曲率来计算目标度量的过程等价于最小化Ricci能量函数的负梯度流F(u)，如下式所述
其中u＝(u1,u2,…,ui)，ui为γi的对数值，使用牛顿法最小化能量函数来解ui的变化率，在变化过程中保持原边的长度不变；利用迭代算法重复步骤601)和602)直至曲面曲率值为步骤601)中指定的目标Gauss曲率；
603)根据目标度量网格嵌入到平面
求取各顶点的UV坐标，利用余弦方程(2)把三角网络嵌入至平面内；首先计算Circle Packing方法的初始度量(Γ,Φ)，该初始度量是通过对三维空间中曲面诱导的度量来逼近的，根据余弦方程(2)
其中lij表示构造边，可以使用牛顿法最小化公式(3)所示的能量函数来求解初始度量(Γ,Φ)；
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (1)
1.一种血管结构影像的平面图谱构建方法，其特征在于，包括如下步骤：
1)采集包含局部血管结构的二维或三维原始医学图像I，如果所述医学图像为二维投影图，需将所述医学图像中的血管动脉和静脉进行区分标注；
2)利用图像分割算法从步骤1)所述的原始血管医学图像I中分离出血管区域，构建血管三维体数据，具体包括如下步骤：
201)制作训练数据集：由医学专家在原始医学图像I上标注血管区域，生成血管区域的Mask图像M，将所有图像I和M统一大小并生成训练数据集S；
202)构建包含生成器和辨别器的GAN网络；
所述生成器用于利用原始医学图像生成血管区域；
所述辨别器用于辨别出专家标注的血管区域和由生成器生成的血管区域；
203)用步骤202)得到的辨别器对步骤201)中的所有训练数据集S进行辨别，当辨别器对所有训练数据集S都无法辨别时即完成网络训练，得到用于图像中血管区域分割的U-Net网络参数，然后根据得到的U-Net网络参数构建U-Net网络；
204)用训练好的U-Net网络分割待分割原始医学图像I，得到血管区域的Mask图像；
3)利用细线化算法提取步骤2)中分离出的血管区域的骨架线，具体包括如下步骤：
301)在9×9的像素空间中创建一个半径为4个像素的圆盘结构元素A，再在3×3像素空间内创建“十”字结构元素B；
302)利用步骤201)所述的平坦型圆盘结构元素A对原始医学图像I进行多次腐蚀运算，填补孔洞，得到处理后的结果图像N；
303)利用步骤301)所述“十”字结构元素B对步骤302)中得到的结果图像N进行多次膨胀运算后得到血管的骨架线结果；
4)找出步骤3)所述血管区域的骨架线的分支点和端点；
5)以步骤4)中找出的血管区域的骨架线的分支点和端点为原始数据，构建血管的三角形曲面；
6)封闭步骤5)中三角形网格的端点，形成离散曲面；
7)将步骤6)得到的离散曲面映射至二维平面，并保持三角形各边互不重叠；
具体方法为：构建由顶点vi，vj，vk组成的三角形单元，网格的顶点记为vi，连接顶点vi和vj的边记为eij，连接顶点vi和vk的边记为eki，连接顶点vj和vk的边记为ejk,假设边eij和边eki表示血管的原边，ejk表示构造边；以顶点vi为圆心的Circle圆半径为γi，两Circle圆相切；顶点vi处的离散Gauss曲率定义为Ki，曲面的平面映射过程分为以下三个步骤：
701)初始化曲面的Circle Packing度量，指定目标Gauss曲率，令γi初始值设为零，曲面映射的目标平面Gauss曲率
设为零；
702)使用Ricci流形计算目标度量
根据步骤701)所述，用Gauss曲率来计算目标度量的过程等价于最小化Ricci能量函数的负梯度流F(u)，计算公式如下：
其中，其中u＝(u1,u2,…,ui),ui为γi的对数值，使用牛顿法最小化能量函数来解ui的变化率，在变化过程中保持原边的长度不变；利用迭代算法重复步骤701)和702)直至曲面曲率值为步骤701)中指定的目标Gauss曲率；
703)根据目标度量网格嵌入到平面
求取各顶点的UV坐标，利用下式所述余弦方程把三角网络嵌入至平面内，
上式所述余弦方程中lij表示构造边；首先计算Circle Packing方法的初始度量(Γ,Φ)，该初始度量是通过对三维空间中曲面诱导的度量来逼近的，根据上式所述余弦方程可以使用牛顿法最小化下述公式所示的能量函数来求解初始度量(Γ,Φ)；
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910940522.2A CN110689080B (zh) | 2019-09-30 | 2019-09-30 | 一种血管结构影像的平面图谱构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910940522.2A CN110689080B (zh) | 2019-09-30 | 2019-09-30 | 一种血管结构影像的平面图谱构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110689080A true CN110689080A (zh) | 2020-01-14 |
| CN110689080B CN110689080B (zh) | 2023-04-18 |
Family
ID=69111100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910940522.2A Expired - Fee Related CN110689080B (zh) | 2019-09-30 | 2019-09-30 | 一种血管结构影像的平面图谱构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110689080B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932554A (zh) * | 2020-07-31 | 2020-11-13 | 青岛海信医疗设备股份有限公司 | 一种肺部血管分割方法、设备及存储介质 |
| CN113205492A (zh) * | 2021-04-26 | 2021-08-03 | 武汉大学 | 胃粘膜染色放大成像的微血管扭曲程度量化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019083129A1 (ko) * | 2017-10-27 | 2019-05-02 | 주식회사 뷰노 | 피검체에 대한 안저 영상의 판독을 지원하는 방법 및 이를 이용한 장치 |
| CN110097559A (zh) * | 2019-04-29 | 2019-08-06 | 南京星程智能科技有限公司 | 基于深度学习的眼底图像病灶区域标注方法 |
| US20190266728A1 (en) * | 2018-02-23 | 2019-08-29 | Seoul National University R&Db Foundation | Positron emission tomography system and image reconstruction method using the same |
| CN110197493A (zh) * | 2019-05-24 | 2019-09-03 | 清华大学深圳研究生院 | 眼底图像血管分割方法 |
| CN110264424A (zh) * | 2019-06-20 | 2019-09-20 | 北京理工大学 | 一种基于生成对抗网络的模糊视网膜眼底图像增强方法 |
-
2019
- 2019-09-30 CN CN201910940522.2A patent/CN110689080B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019083129A1 (ko) * | 2017-10-27 | 2019-05-02 | 주식회사 뷰노 | 피검체에 대한 안저 영상의 판독을 지원하는 방법 및 이를 이용한 장치 |
| US20190266728A1 (en) * | 2018-02-23 | 2019-08-29 | Seoul National University R&Db Foundation | Positron emission tomography system and image reconstruction method using the same |
| CN110097559A (zh) * | 2019-04-29 | 2019-08-06 | 南京星程智能科技有限公司 | 基于深度学习的眼底图像病灶区域标注方法 |
| CN110197493A (zh) * | 2019-05-24 | 2019-09-03 | 清华大学深圳研究生院 | 眼底图像血管分割方法 |
| CN110264424A (zh) * | 2019-06-20 | 2019-09-20 | 北京理工大学 | 一种基于生成对抗网络的模糊视网膜眼底图像增强方法 |
Non-Patent Citations (5)
| Title |
|---|
| CONG WU ET AL.: "\"U-GAN: Generative Adversarial Networks with U-Net for Retinal Vessel Segmentation\"" * |
| JEAN-MARIE FAVREAU ET AL.: ""A Tool for Topographic Analysis of Electrode Contacts in Human Cortical Stimulation"" * |
| MINGZHE RUAN ET AL.: ""K-Core Graph-Based Retinal Vascular Registration"" * |
| 戴培山等: "视网膜血管图像分割及眼底血管三维重建" * |
| 蒋芸等: "\"基于条件深度卷积生成对抗网络的视网膜血管分割\"" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932554A (zh) * | 2020-07-31 | 2020-11-13 | 青岛海信医疗设备股份有限公司 | 一种肺部血管分割方法、设备及存储介质 |
| CN111932554B (zh) * | 2020-07-31 | 2024-03-22 | 青岛海信医疗设备股份有限公司 | 一种肺部血管分割方法、设备及存储介质 |
| CN113205492A (zh) * | 2021-04-26 | 2021-08-03 | 武汉大学 | 胃粘膜染色放大成像的微血管扭曲程度量化方法 |
| CN113205492B (zh) * | 2021-04-26 | 2022-05-13 | 武汉大学 | 胃粘膜染色放大成像的微血管扭曲程度量化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110689080B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9406142B2 (en) | Fully automatic image segmentation of heart valves using multi-atlas label fusion and deformable medial modeling | |
| Wu et al. | Segmentation and reconstruction of vascular structures for 3D real-time simulation | |
| Pouch et al. | Fully automatic segmentation of the mitral leaflets in 3D transesophageal echocardiographic images using multi-atlas joint label fusion and deformable medial modeling | |
| US11468570B2 (en) | Method and system for acquiring status of strain and stress of a vessel wall | |
| US11961187B2 (en) | Reconstruction method of organ vessel centerline | |
| US9129392B2 (en) | Automatic quantification of mitral valve dynamics with real-time 3D ultrasound | |
| Heyde et al. | Anatomical image registration using volume conservation to assess cardiac deformation from 3D ultrasound recordings | |
| Vassilevski et al. | Patient-specific anatomical models in human physiology | |
| CN110689080B (zh) | 一种血管结构影像的平面图谱构建方法 | |
| Xiong et al. | Comprehensive modeling and visualization of cardiac anatomy and physiology from CT imaging and computer simulations | |
| Paun et al. | Patient independent representation of the detailed cardiac ventricular anatomy | |
| Herz et al. | Segmentation of tricuspid valve leaflets from transthoracic 3D echocardiograms of children with hypoplastic left heart syndrome using deep learning | |
| CN113470060B (zh) | 基于ct影像的冠状动脉多角度曲面重建可视化方法 | |
| CN113057677B (zh) | 超声和ct图像融合的心脏影像建模方法、系统及设备 | |
| CN117476237B (zh) | 一种用于老年人手术的模拟评估系统及方法 | |
| Kawata et al. | Measurement of blood vessel characteristics for disease detection based on cone-beam CT images | |
| Cui et al. | Coronary artery segmentation via hessian filter and curve-skeleton extraction | |
| CN111798468B (zh) | 图像处理方法及装置、存储介质及电子终端 | |
| Mu et al. | Construction of anatomically accurate finite element models of the human hand and a rat kidney | |
| Skurski et al. | Image processing methods for diagnostic and simulation applications in cardiology | |
| Sebbe | Computer-aided Diagnosis of Pulmonary Embolism in Opacified CT Images | |
| Dangi et al. | Endocardial left ventricle feature tracking and reconstruction from tri-plane trans-esophageal echocardiography data | |
| Khaleel et al. | A Review paper of 3D Surface Reconstruction of Coronary Arteries From Cardiovascular Angiography | |
| EP4390845A1 (en) | A computer-implemented method, computer program product and imaging system | |
| Zhou et al. | Implicit tubular surface generation guided by centerline |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20230418 |