CN110910370B - 一种cta图像冠脉狭窄检测的方法及装置 - Google Patents

一种cta图像冠脉狭窄检测的方法及装置 Download PDF

Info

Publication number
CN110910370B
CN110910370B CN201911145200.5A CN201911145200A CN110910370B CN 110910370 B CN110910370 B CN 110910370B CN 201911145200 A CN201911145200 A CN 201911145200A CN 110910370 B CN110910370 B CN 110910370B
Authority
CN
China
Prior art keywords
blood vessel
point
image
stenosis
sequence
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
Application number
CN201911145200.5A
Other languages
English (en)
Other versions
CN110910370A (zh
Inventor
王涌天
杨健
艾丹妮
赵靖亮
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201911145200.5A priority Critical patent/CN110910370B/zh
Publication of CN110910370A publication Critical patent/CN110910370A/zh
Application granted granted Critical
Publication of CN110910370B publication Critical patent/CN110910370B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Vascular Medicine (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • Optics & Photonics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种CTA图像冠脉狭窄检测的方法及装置，其提高了冠脉狭窄检测系统的自动化程度，解决了现有方法需要大量人工交互的问题，实现了血管直径的精确测量。这种CTA图像冠脉狭窄检测的方法，包括：(1)用CT设备获取冠脉CTA图像；(2)提取中心线；(3)血管跟踪与分叉结构定位，判断种子点是否存在，是则执行步骤(2)，否则执行步骤(4)；(4)沿中心线重建图像；(5)基于最大梯度方法的血管直径估计；(6)确定狭窄的位置和程度。

Description

一种CTA图像冠脉狭窄检测的方法及装置
技术领域
本发明涉及医学图像处理的技术领域，尤其涉及一种CTA图像冠脉狭窄检测的方法，以及CTA图像冠脉狭窄检测的装置。
背景技术
根据世界卫生组织的报告，冠状动脉疾病已成为威胁人类健康的主要因素之一。受到血管壁钙化、高血脂和高胆固醇等因素的影响，冠脉疾病患者的心血管壁逐渐变窄(冠脉狭窄)，使心肌的氧气和营养物质供应量降低，造成心肌动力不足，严重情况下可能引发心肌梗塞。CTA是临床上用于冠脉狭窄检测的成像手段，包含丰富的空间信息，具有较低的人体侵入性和较高的诊断敏感度。冠脉狭窄的量化信息是一种重要的临床指标，有助于早期冠脉疾病的诊断和预防，冠脉狭窄的检测对冠心病的预防和治疗具有重要的临床意义。
然而，CTA图像中的血管腔体信息难以被直观测量，使医生无法迅速对冠脉狭窄进行定位和狭窄程度估计，探索计算机辅助的自动化冠脉狭窄检测技术已成为当前的研究热点。
为判断血管内部是否存在狭窄，计算机辅助的冠脉狭窄检测方法通常需首先提取血管的中心线，进而根据中心线附近的血管特征完成直径估计和狭窄等级分类。
现有冠脉狭窄检测方法面临如下挑战：
首先，现有血管结构提取方法需要大量交互操作(如种子点提取)，降低了冠脉狭窄检测的自动化程度。
其次，CTA图像中小血管边界处存在大量噪声，小血管直径的精确测量是冠脉狭窄检测方法亟待解决的问题之一。
发明内容
为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种CTA图像冠脉狭窄检测的方法，其提高了冠脉狭窄检测系统的自动化程度，解决了现有方法需要大量人工交互的问题，实现了血管直径的精确测量。
本发明的技术方案是：这种CTA图像冠脉狭窄检测的方法，其包括以下步骤：
(1)用CT设备获取冠脉CTA图像；
(2)提取中心线；
(3)血管跟踪与分叉结构定位，判断种子点是否存在，是则执行步骤(2)，否则执行步骤(4)；
(4)沿中心线重建图像；
(5)基于最大梯度方法的血管直径估计；
(6)确定狭窄的位置和程度。
本发明通过血管跟踪与分叉结构定位技术自动提取血管树结构，从而自动确定用于提取血管分支的种子点，使算法无需额外的人工标定的种子点，提高了系统的自动化程度；使用最大梯度方法得到血管直径，通过多切面最大梯度方法确定血管直径，抑制了局部噪声对小血管边界定位的干扰，提高了系统在小血管部位直径估计的准确度；因此本发明提高了冠脉狭窄检测系统的自动化程度，解决了现有方法需要大量人工交互的问题，实现了血管直径的精确测量。
还提供了一种CTA图像冠脉狭窄检测的装置，其包括图像提取模块和量化分析模块；
图像提取模块，其配置来用CT设备获取冠脉CTA图像，提取中心线，血管跟踪与分叉结构定位；
量化分析模块，其配置来沿中心线重建图像，基于最大梯度方法的血管直径估计，确定狭窄的位置和程度。
附图说明
图1是根据本发明的CTA图像冠脉狭窄检测的方法的流程示意图。
图2a是根据本发明的CTA图像冠脉狭窄检测的方法的一个实施例的预测点聚类方法中预测点的示意图；图2b是根据本发明的CTA图像冠脉狭窄检测的方法的一个实施例的预测点聚类方法中稳定点的示意图。
图3a是根据本发明的CTA图像冠脉狭窄检测的方法的一个实施例在血管横截面上选择三个夹角的示意图；图3b是根据本发明的CTA图像冠脉狭窄检测的方法的一个实施例提取一个带状的重建图像的示意图；图3c是根据本发明的CTA图像冠脉狭窄检测的方法的一个实施例提取Ia中每一个中心点的纵向灰度序列的示意图；图3d是根据本发明的CTA图像冠脉狭窄检测的方法的一个实施例取a0、b0和c0对应的直径序列的平均值的示意图。
具体实施方式
本发明使用预测点聚类技术，通过寻找血管中心预测点的聚类中心，识别潜在的血管分支，提高了狭窄检测系统的自动化程度，解决了现有方法需要大量人工交互的问题。本发明通过多切面最大梯度方法，有效地抑制了小血管附近的噪声水平，实现了血管直径的精确测量。
如图1所示，这种CTA图像冠脉狭窄检测的方法，其包括以下步骤：
(1)用CT设备获取冠脉CTA图像；
(2)提取中心线；
(3)血管跟踪与分叉结构定位，判断种子点是否存在，是则执行步骤(2)，否则执行步骤(4)；
(4)沿中心线重建图像；
(5)基于最大梯度方法的血管直径估计；
(6)确定狭窄的位置和程度。
本发明通过血管跟踪与分叉结构定位技术自动提取血管树结构，从而自动确定用于提取血管分支的种子点，使算法无需额外的人工标定的种子点，提高了系统的自动化程度；使用最大梯度方法得到血管直径，通过多切面最大梯度方法确定血管直径，抑制了局部噪声对小血管边界定位的干扰，提高了系统在小血管部位直径估计的准确度；因此本发明提高了冠脉狭窄检测系统的自动化程度，解决了现有方法需要大量人工交互的问题，实现了血管直径的精确测量。
优选地，所述步骤(3)中，通过心门定位技术(Tek H,Gulsun M A,Laguitton S,Grady L,Lesage D,Funka-Lea G.Automatic coronary tree modeling[J].InsightJournal,2008,323(7).)获取两个位于冠脉根部的种子点。
优选地，所述步骤(3)中，还包括：基于深度特征回归技术(Jingliang Zhao,DanniAi,Yang Yang,Hong Song,Yong Huang,Yongtian Wang,Jian Yang.Deep featureregression(DFR)for 3D vessel segmentation[J].Physics in Medicine and Biology,2019,64(11):115006.)跟踪血管中心线，使用预测点聚类方法确定血管分叉结构的位置，并在分叉结构对应的血管分支上确定新的种子点，完成血管树结构提取。
深度特征回归技术仅能跟踪血管主干，无法有效识别血管分支。优选地，所述步骤(3)中，使用预测点聚类方法确定血管分叉结构的位置，包括以下步骤：
(3.1)如图2a所示，在跟踪过程中获得种子点后，在其前方的一个辐角为π/2的球冠面上设置200个预测点；
(3.2)通过深度特征回归技术迭代地修正预测点的位置，记录在迭代中收敛的位置，得到稳定点，如图2b所示；
(3.3)使用均值漂移算法(即，Mean shift方法)寻找稳定点的聚类中心：当聚类中心数量大于等于2时，将种子点识别为一个分叉点，并将每个聚类中心作为下一步跟踪的新的种子点输出。
本发明沿血管中心线以不同角度重建图像，进而在每个重建图像上计算直径序列，最后根据邻近点直径的大小计算狭窄序列，完成狭窄的定位与程度估计。所述步骤(4)-(6)中，具体包括以下步骤：
(a)如图3a所示，在血管横截面上选择三个夹角为π/3的基准向
量：a0、b0和c0；
(b)如图3b所示，以a0为基准，从原图像中提取一个带状的重建带状图像Ia，其中，带状图像的中心线为血管中心线p0～pn，其法向量ai通过公式(1)获得：
Figure BDA0002281983290000051
其中Δ(ai,ai-1)表示两向量间的夹角，vi为中心点pi的血管方向，通过公式(2)获得：
Figure BDA0002281983290000052
(c)如图3c所示，提取Ia中每一个中心点的纵向灰度序列，进而计算该序列的梯度，将梯度序列的极大值和极小值对应的横坐标之差作为血管直径；
(d)如图3d所示，取a0、b0和c0对应的直径序列的平均值，根据直径序列d0～dn计算狭窄序列，公式(3)：
Figure BDA0002281983290000061
其中i＝1,…,n-1，i表示数据在序列中的位置，Si是狭窄程度序列，S取自单词stenosis(狭窄)。
优选地，所述步骤(d)中，将si>20％的位置识别为存在血管狭窄，并确定其所在位置。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种CTA图像冠脉狭窄检测的装置，该装置通常以与方法各步骤相对应的功能模块的形式表示。如图1所示，该装置包括：图像提取模块和量化分析模块；
图像提取模块，其配置来用CT设备获取冠脉CTA图像，提取中心线，血管跟踪与分叉结构定位；
量化分析模块，其配置来沿中心线重建图像，基于最大梯度方法的血管直径估计，确定狭窄的位置和程度。
优选地，所述图像提取模块通过心门定位技术获取两个位于冠脉根部的种子点；基于深度特征回归技术跟踪血管中心线，使用预测点聚类方法确定血管分叉结构的位置，并在分叉结构对应的血管分支上确定新的种子点，完成血管树结构提取。
优选地，所述图像提取模块执行以下步骤：
(3.1)在跟踪过程中获得种子点后，在其前方的一个辐角为π/2的球冠面上设置200个预测点；
(3.2)通过深度特征回归技术迭代地修正预测点的位置，记录在迭代中收敛的位置，得到稳定点；
(3.3)使用Mean shift方法寻找稳定点的聚类中心：当聚类中心数量大于等于2时，将种子点识别为一个分叉点，并将每个聚类中心作为下一步跟踪的新的种子点输出。
优选地，所述量化分析模块执行以下步骤：
(a)在血管横截面上选择三个夹角为π/3的基准向量：a0、b0和c0；
(b)以a0为基准，从原图像中提取一个带状的重建带状图像Ia，其中，带状图像的中心线为血管中心线p0～pn，其法向量ai通过公式(1)获得：
Figure BDA0002281983290000071
其中Δ(ai,ai-1)表示两向量间的夹角，vi为中心点pi的血管方向，通过公式(2)获得：
Figure BDA0002281983290000072
(c)提取Ia中每一个中心点的纵向灰度序列，进而计算该序列的梯度，将梯度序列的极大值和极小值对应的横坐标之差作为血管直径；
(d)取a0、b0和c0对应的直径序列的平均值，根据直径序列d0～dn计算狭窄序列，公式(3)：
Figure BDA0002281983290000073
其中i＝1,…,n-1，i表示数据在序列中的位置，Si是狭窄程度序列，S取自单词stenosis(狭窄)。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。

Claims (5)

1.一种CTA图像冠脉狭窄检测的方法，其特征在于：其包括以下步骤：
(1)用CT设备获取冠脉CTA图像；
(2)提取中心线；
(3)血管跟踪与分叉结构定位，判断种子点是否存在，是则执行步骤(2)，否则执行步骤(4)；
(4)沿中心线重建图像；
(5)基于最大梯度方法的血管直径估计；
(6)确定狭窄的位置和程度；
所述步骤(3)中，通过心门定位技术获取两个位于冠脉根部的种子点；
所述步骤(3)中，还包括：基于深度特征回归技术跟踪血管中心线，使用预测点聚类方法确定血管分叉结构的位置，并在分叉结构对应的血管分支上确定新的种子点，完成血管树结构提取；
所述步骤(4)-(6)中，具体包括以下步骤：
(a)在血管横截面上选择三个夹角为π/3的基准向量：a0、b0和c0；
(b)以a0为基准，从原图像中提取一个带状的重建带状图像Ia，其中，带状图像的中心线为血管中心线p0～pn，其法向量ai通过公式(1)获得：
Figure FDA0003930254470000011
其中Δ(ai,ai-1)表示两向量间的夹角，vi为中心点pi的血管方向，通过公式(2)获得：
Figure FDA0003930254470000021
(c)提取Ia中每一个中心点的纵向灰度序列，进而计算该序列的梯度，将梯度序列的极大值和极小值对应的横坐标之差作为血管直径；
(d)取a0、b0和c0对应的直径序列的平均值，根据直径序列d0～dn计算狭窄序列，公式(3)：
Figure FDA0003930254470000022
其中i＝1,…,n-1，i表示数据在序列中的位置，Si是狭窄程度序列。
2.根据权利要求1所述的CTA图像冠脉狭窄检测的方法，其特征在于：所述步骤(3)中，使用预测点聚类方法确定血管分叉结构的位置，包括以下步骤：
(3.1)在跟踪过程中获得种子点后，在其前方的一个辐角为π/2的球冠面上设置200个预测点；
(3.2)通过深度特征回归技术迭代地修正预测点的位置，记录在迭代中收敛的位置，得到稳定点；
(3.3)使用Mean shift方法寻找稳定点的聚类中心：当聚类中心数量大于等于2时，将种子点识别为一个分叉点，并将每个聚类中心作为下一步跟踪的新的种子点输出。
3.根据权利要求2所述的CTA图像冠脉狭窄检测的方法，其特征在于：所述步骤(d)中，将si>20％的位置识别为存在血管狭窄，并确定其所在位置。
4.一种根据权利要求1所述的CTA图像冠脉狭窄检测的方法的装置，其特征在于：其包括图像提取模块和量化分析模块；
图像提取模块，其配置来用CT设备获取冠脉CTA图像，提取中心线，血管跟踪与分叉结构定位；
量化分析模块，其配置来沿中心线重建图像，基于最大梯度方法的血管直径估计，确定狭窄的位置和程度；
所述图像提取模块通过心门定位技术获取两个位于冠脉根部的种子点；基于深度特征回归技术跟踪血管中心线，使用预测点聚类方法确定血管分叉结构的位置，并在分叉结构对应的血管分支上确定新的种子点，完成血管树结构提取；
所述量化分析模块执行以下步骤：
(a)在血管横截面上选择三个夹角为π/3的基准向量：a0、b0和c0；
(b)以a0为基准，从原图像中提取一个带状的重建带状图像Ia，其中，带状图像的中心线为血管中心线p0～pn，其法向量ai通过公式(1)获得：
Figure FDA0003930254470000031
其中Δ(ai,ai-1)表示两向量间的夹角，vi为中心点pi的血管方向，通过公式(2)获得：
Figure FDA0003930254470000032
(c)提取Ia中每一个中心点的纵向灰度序列，进而计算该序列的梯度，将梯度序列的极大值和极小值对应的横坐标之差作为血管直径；
(d)取a0、b0和c0对应的直径序列的平均值，根据直径序列d0～dn计算狭窄序列，公式(3)：
Figure FDA0003930254470000033
其中i＝1,…,n-1，i表示数据在序列中的位置，Si是狭窄程度序列。
5.根据权利要求4所述的装置，其特征在于：所述图像提取模块执行以下步骤：
(3.1)在跟踪过程中获得种子点后，在其前方的一个辐角为π/2的球冠面上设置200个预测点；
(3.2)通过深度特征回归技术迭代地修正预测点的位置，记录在迭代中收敛的位置，得到稳定点；
(3.3)使用均值漂移算法寻找稳定点的聚类中心：当聚类中心数量大于等于2时，将种子点识别为一个分叉点，并将每个聚类中心作为下一步跟踪的新的种子点输出。
CN201911145200.5A 2019-11-21 2019-11-21 一种cta图像冠脉狭窄检测的方法及装置 Active CN110910370B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911145200.5A CN110910370B (zh) 2019-11-21 2019-11-21 一种cta图像冠脉狭窄检测的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911145200.5A CN110910370B (zh) 2019-11-21 2019-11-21 一种cta图像冠脉狭窄检测的方法及装置

Publications (2)

Publication Number Publication Date
CN110910370A CN110910370A (zh) 2020-03-24
CN110910370B true CN110910370B (zh) 2023-02-28

Family

ID=69818449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911145200.5A Active CN110910370B (zh) 2019-11-21 2019-11-21 一种cta图像冠脉狭窄检测的方法及装置

Country Status (1)

Country Link
CN (1) CN110910370B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667456B (zh) * 2020-04-28 2023-11-14 北京理工大学 一种冠状动脉x光序列造影中血管狭窄检测方法及装置
CN111738982A (zh) * 2020-05-28 2020-10-02 数坤（北京）网络科技有限公司 一种血管腔浓度梯度提取方法、装置以及可读存储介质
CN111652880A (zh) * 2020-07-01 2020-09-11 杭州脉流科技有限公司 基于神经网络的ct冠状动脉中心线种子点检测和追踪方法、装置、设备以及可读存储介质
CN112037169A (zh) * 2020-07-23 2020-12-04 上海交通大学附属第六人民医院 一种血管钙化检出方法、装置以及计算机存储介质
CN112220532B (zh) * 2020-08-24 2022-04-05 同济大学 一种静脉分叉避让方法及静脉穿刺机器人
CN112184647B (zh) * 2020-09-22 2023-07-04 清华大学深圳国际研究生院 基于迁移卷积网络对眼底图像进行血管病变分级识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102258381A (zh) * 2010-03-12 2011-11-30 西门子公司 用于自动检测和分类心脏ct容积中的冠状动脉狭窄的方法和系统
CN104867147A (zh) * 2015-05-21 2015-08-26 北京工业大学 基于冠状动脉造影图像分割的syntax自动评分方法
CN108335284A (zh) * 2018-01-09 2018-07-27 北京理工大学 一种冠脉血管中心线匹配方法和系统
CN110310256A (zh) * 2019-05-30 2019-10-08 上海联影智能医疗科技有限公司 冠脉狭窄检测方法、装置、计算机设备和存储介质
CN110458847A (zh) * 2019-07-05 2019-11-15 心医国际数字医疗系统(大连)有限公司 基于cta影像的自动冠脉分割及中心线提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110081057A1 (en) * 2009-10-06 2011-04-07 Eigen, Llc Apparatus for stenosis estimation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102258381A (zh) * 2010-03-12 2011-11-30 西门子公司 用于自动检测和分类心脏ct容积中的冠状动脉狭窄的方法和系统
CN104867147A (zh) * 2015-05-21 2015-08-26 北京工业大学 基于冠状动脉造影图像分割的syntax自动评分方法
CN108335284A (zh) * 2018-01-09 2018-07-27 北京理工大学 一种冠脉血管中心线匹配方法和系统
CN110310256A (zh) * 2019-05-30 2019-10-08 上海联影智能医疗科技有限公司 冠脉狭窄检测方法、装置、计算机设备和存储介质
CN110458847A (zh) * 2019-07-05 2019-11-15 心医国际数字医疗系统(大连)有限公司 基于cta影像的自动冠脉分割及中心线提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Automatic Stenoses Detection, Quantification and Lumen Segmentation of the Coronary Arteries using a Two Point Centerline Extraction Scheme;Rahil Shahzad等;《Proceedings of MICCAI Workshop 3D Cardiovascular Imaging: A MICCAI Segmentation Challenge》;20121030;第1-9页 *
Coronary artery centerline extraction in cardiac CT angiography using a CNN-based orientation classifier;Jelmer M.Wolterink等;《Medical Image Analysis》;20181030;第51卷;第46-60页 *
Multichannel Fully Convolutional Network for Coronary Artery Segmentation in X-Ray Angiograms;Jingfan Fan等;《IEEE Access》;20180810;第6卷;第44635-44643页 *
基于CCA和CCTA图像的冠状动脉狭窄度量化方法研究;李裕;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20190215(第(2019)02期);第I138-1594页 *

Also Published As

Publication number Publication date
CN110910370A (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
CN110910370B (zh) 一种cta图像冠脉狭窄检测的方法及装置
US11576621B2 (en) Plaque vulnerability assessment in medical imaging
US11896416B2 (en) Method for calculating coronary artery fractional flow reserve on basis of myocardial blood flow and CT images
Zreik et al. Deep learning analysis of the myocardium in coronary CT angiography for identification of patients with functionally significant coronary artery stenosis
US11049246B2 (en) Rapid calculation method and system for plaque stability index based on medical image sequence
Hampe et al. Machine learning for assessment of coronary artery disease in cardiac CT: a survey
CN111476757B (zh) 一种冠脉斑块数据检测方法、系统、存储介质、终端
CN105279759B (zh) 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法
CN110448319B (zh) 基于造影影像及冠状动脉的血流速度计算方法
US7068831B2 (en) Image processing method and system for extracting a string of points following a threadlike structure in a sequence of images
CN108932714B (zh) 冠脉ct图像的斑块分类方法
CN111681224A (zh) 获取血管参数的方法和装置
CN107451983A (zh) Ct图像的三维融合方法和系统
CN111951277A (zh) 一种基于cta图像的冠状动脉分割方法
Kurugol et al. Automated quantitative 3D analysis of aorta size, morphology, and mural calcification distributions
CN111227821A (zh) 基于心肌血流量和ct图像的微循环阻力指数计算方法
CN110120031B (zh) 一种得到血管血流储备分数的方法和装置
CN112837306B (zh) 基于深度学习和中智理论的冠状动脉病变功能学定量方法
US20230394654A1 (en) Method and system for assessing functionally significant vessel obstruction based on machine learning
CN114782358A (zh) 一种血管形变自动计算的方法、装置及存储介质
CN113598782A (zh) 预测室性心律失常起源位置的系统、电子设备和存储介质
CN116310114A (zh) 一种多任务标签模型的冠脉点云数据处理优化方法
CN115775219A (zh) 医学图像分割方法、系统、电子设备及介质
CN114119688A (zh) 基于深度学习的冠状动脉造影前后单模医学图像配准方法
Liu et al. Artificial Intelligence—A Good Assistant to Multi-Modality Imaging in Managing Acute Coronary Syndrome

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