CN110974415B - 一种动脉瘤容积的三维造影动脉瘤形态数据库建立方法 - Google Patents
一种动脉瘤容积的三维造影动脉瘤形态数据库建立方法 Download PDFInfo
- Publication number
- CN110974415B CN110974415B CN201911320037.1A CN201911320037A CN110974415B CN 110974415 B CN110974415 B CN 110974415B CN 201911320037 A CN201911320037 A CN 201911320037A CN 110974415 B CN110974415 B CN 110974415B
- Authority
- CN
- China
- Prior art keywords
- aneurysm
- data
- database
- volume
- dimensional
- 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
-
- 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
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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)
- Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Robotics (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种动脉瘤容积的三维造影动脉瘤形态数据库建立方法,包括以下步骤:建立并打印模型‑测量容积并建立数据库‑基于X线进行造影‑匹配学习‑模型自检验‑临床自检验‑获取数据库。本发明能够准确的计算定点动脉瘤容积,并识别动脉瘤为致密栓塞动脉瘤提供了有力保障。
Description
技术领域
本发明涉及一种动脉瘤容积的三维造影动脉瘤形态数据库建立方法。
背景技术
目前致密栓塞是预防动脉瘤栓塞后复发的因素之一,使用栓塞容积比可评估填充程度,而目前较少有能够精确、快速计算动脉瘤容积的可靠方法,所以,本申请结合目前现有的技术,同时在实际临床造影中有部分动脉瘤容易漏诊,拟利用人工智能自学习足够多的、不同形状、不同大小的3D打印颅颈部动脉瘤模型形态,最终使其可以自主、快速、准确、稳定识别真实动脉瘤位置及其边界,并自动计算动脉瘤容积,以此降低临床造影动脉瘤的漏诊率及为致密栓塞动脉瘤提供强有力的保障。
发明内容
为解决上述技术问题,本发明提供了一种动脉瘤容积的三维造影动脉瘤形态数据库建立方法。
本发明通过以下技术方案得以实现。
本发明提供的一种动脉瘤容积的三维造影动脉瘤形态数据库建立方法,包括以下步骤:
①建立并打印模型:根据临床影像学图片,重建若干个不同形状、不同大小的动脉瘤数字模型,并进行3D打印,获取两批动脉瘤数字模型;
②测量容积并建立数据库:将第一批动脉瘤数字模型用液体充满内腔,获取动脉瘤数字模型的容积,建立初级数据库;
③基于X线进行造影:在模拟临床中,通过X线,使用第一批动脉瘤数字模型进行不同流量下的动脉瘤的造影,获取匹配数据;
④匹配学习:将步骤③中的匹配数据与步骤②中的初级数据库进行第一次匹配学习和记忆学习,并人工标记动脉瘤图像边界,然后采用图像识别进行协同进一步处理和记忆学习,获取一级数据库;
⑤模型自检验:获取未匹配体积的第二批动脉瘤数字模型的匹配数据,用图像识别获取三维造影血管的形态图像,并进行自动分割处理,获取若干个识别处理对象,其次,将若干个识别处理对象与步骤④中的一级数据库,进行对比和第二次匹配学习,显现出动脉瘤边界,获取矫正后三维动脉瘤数据库;再根据步骤②中的容积确定方法,获取第二批的动脉瘤数字模型的实际容积数据,将第二批的动脉瘤数字模型的实际容积数据和矫正后三维动脉瘤数据库,与第一批的动脉瘤数字模型的容积进行第三次匹配学习并校正,获取二级数据库;
⑥临床自检验:在X线下,对新的真实人体颅颈部动脉瘤进行造影,并进行图像识别,获取初步的动脉瘤图像,生成真实人体颅颈部动脉瘤造影后的三维重建数据,获取动脉瘤结构,然后再次对动脉瘤的边界进行识别和修正,获取修正后的容积数据,再将该动脉瘤进行3D打印,使用液体填充确定实际容积,与步骤⑤中的二级数据库,进行第四次匹配学习和校正;
⑦获取数据库:获取准确和稳定的动脉瘤容积的三维造影动脉瘤形态数据库。
所述步骤③分为以下步骤:
(3.1)在模拟临床中,通过X线,使动脉瘤数字模型进行不同流量下的动脉瘤的造影,产生影像学数据和流量数据;
(3.2)记录动脉瘤腔及载瘤动脉在X线下造影剂显影后变化的灰度值,获取灰度变化数据,同时产生三维造影动脉瘤形态数据。
所述步骤③中,匹配数据包括影像学数据、流量数据、灰度变化数据和三维造影动脉瘤形态数据。
所述步骤④中,将影像学数据、流量数据、灰度变化数据及三维造影动脉瘤形态数据与第一批动脉瘤数字模型的容积进行匹配,并通过图像切割来识别动脉瘤。
所述步骤⑤分为以下步骤:
(5.1)在模拟临床中,通过X线,将第二批未匹配体积的3D打印的动脉瘤数字模型进行不同流量下的动脉瘤的造影,获取匹配数据;
(5.2)用图像识别获取三维造影血管的形态图像,并进行自动分割处理,获取若干个识别处理对象;
(5.3)将若干个识别处理对象与步骤④中的一级数据库进行对比、第二次匹配学习,显现出动脉瘤边界;
(5.4)根据步骤(5.1)中的匹配数据,对动脉瘤边界进行人工纠正、识别及修正,获取矫正后三维动脉瘤数据库;
(5.5)将第二批动脉瘤数字模型用液体充满内腔,获取实际容积数据;
(5.6)在初级数据库的基础上,将步骤(5.5)中的实际容积数据和矫正后三维动脉瘤数据库,与第一批动脉瘤数字模型容积进行第三次匹配学习并校正,获取二级数据库。
所述步骤⑥分为以下步骤:
(6.1)在X线下,对新的真实人体颅颈部动脉瘤进行造影,并进行图像识别,获取初步的动脉瘤图像;
(6.2)若实际存在动脉瘤,却出现未能识别情况,则进行人工标记;若得出初步识别图像,但不准确,则再次进行人工纠正识别动脉瘤是否正确及修正识别的动脉瘤边界,最后生成真实人体颅颈部动脉瘤造影后的三维重建数据,并得出识别动脉瘤结构,同时根据修正后的数据,获取修正后的容积数据;
(6.3)将动脉瘤进行3D打印,使用液体填充确定实际容积,与步骤⑤中的二级数据库,进行第四次匹配学习和校正。
本发明的有益效果在于:能够准确的计算定点动脉瘤容积,并识别动脉瘤为致密栓塞动脉瘤提供了有力保障。
附图说明
图1是本发明的流程图。
具体实施方式
下面进一步描述本发明的技术方案,但要求保护的范围并不局限于所述。
如图1所示,一种动脉瘤容积的三维造影动脉瘤形态数据库建立方法,包括以下步骤:
①建立并打印模型:根据临床影像学图片,重建若干个不同形状、不同大小的动脉瘤数字模型,并进行3D打印,获取两批动脉瘤数字模型;
②测量容积并建立数据库:将第一批动脉瘤数字模型用液体充满内腔,获取动脉瘤数字模型的容积,建立初级数据库;
③基于X线进行造影:在模拟临床中,通过X线,使用第一批动脉瘤数字模型进行不同流量下的动脉瘤的造影,获取匹配数据;
具体分为以下步骤:
(3.1)在模拟临床中,通过X线,使动脉瘤数字模型进行不同流量下的动脉瘤的造影,产生影像学数据和流量数据;
(3.2)记录动脉瘤腔及载瘤动脉在X线下造影剂显影后变化的灰度值,获取灰度变化数据,同时产生三维造影动脉瘤形态数据;
所述匹配数据包括影像学数据、流量数据、灰度变化数据和三维造影动脉瘤形态数据;
④匹配学习:将步骤③中的匹配数据与步骤②中的初级数据库进行第一次匹配学习和记忆学习,并人工标记动脉瘤图像边界,然后采用图像识别进行协同进一步处理和记忆学习,获取一级数据库;
具体的,将影像学数据、流量数据、灰度变化数据及三维造影动脉瘤形态数据与第一批动脉瘤数字模型的容积进行匹配,并通过图像切割来识别动脉瘤;
⑤模型自检验:获取未匹配体积的第二批动脉瘤数字模型的匹配数据,用图像识别获取三维造影血管的形态图像,并进行自动分割处理,获取若干个识别处理对象,其次,将若干个识别处理对象与步骤④中的一级数据库,进行对比和第二次匹配学习,显现出动脉瘤边界,获取矫正后三维动脉瘤数据库;再根据步骤②中的容积确定方法,获取第二批的动脉瘤数字模型的实际容积数据,将第二批的动脉瘤数字模型的实际容积数据和矫正后三维动脉瘤数据库,与第一批的动脉瘤数字模型的容积进行第三次匹配学习并校正,获取二级数据库;
具体分为以下步骤:
(5.1)在模拟临床中,通过X线,将第二批未匹配体积的3D打印的动脉瘤数字模型进行不同流量下的动脉瘤的造影,获取匹配数据;
(5.2)用图像识别获取三维造影血管的形态图像,并进行自动分割处理,获取若干个识别处理对象;
(5.3)将若干个识别处理对象与步骤④中的一级数据库进行对比、第二次匹配学习,显现出动脉瘤边界;
(5.4)根据步骤(5.1)中的匹配数据,对动脉瘤边界进行人工纠正、识别及修正,获取矫正后三维动脉瘤数据库,进而自动获取动脉瘤容积数据;
(5.5)将第二批动脉瘤数字模型用液体充满内腔,获取实际容积数据;
(5.6)在初级数据库的基础上,将步骤(5.5)中的实际容积数据和矫正后三维动脉瘤数据库,与第一批动脉瘤数字模型容积进行第三次匹配学习并校正,获取二级数据库;
⑥临床自检验:在X线下,对新的真实人体颅颈部动脉瘤进行造影,并进行图像识别,获取初步的动脉瘤图像,生成真实人体颅颈部动脉瘤造影后的三维重建数据,获取动脉瘤结构,然后再次对动脉瘤的边界进行识别和修正,获取修正后的容积数据,再将该动脉瘤进行3D打印,使用液体填充确定实际容积,与步骤⑤中的二级数据库,进行第四次匹配学习和校正;
具体分为以下步骤:
(6.1)在X线下,对新的真实人体颅颈部动脉瘤进行造影,并进行图像识别,获取初步的动脉瘤图像;
(6.2)若实际存在动脉瘤,却出现未能识别情况,则进行人工标记;若得出初步识别图像,但不准确,则再次进行人工纠正识别动脉瘤是否正确及修正识别的动脉瘤边界,最后生成真实人体颅颈部动脉瘤造影后的三维重建数据,并得出识别动脉瘤结构,同时根据修正后的数据,获取修正后的容积数据;
(6.3)将动脉瘤进行3D打印,使用液体填充确定实际容积,与步骤⑤中的二级数据库,进行第四次匹配学习和校正;
⑦获取数据库:获取准确和稳定的动脉瘤容积的三维造影动脉瘤形态数据库。
进一步地,输入人体颅颈部动脉瘤,进行动态的灰度识别分析,然后匹配动脉瘤容积数据库,就可以获取其容积。
优选的,通过反复的学习、校正,建立一个动脉瘤容积的三维造影动脉瘤形态数据库,当遇见真实动脉瘤,可以进行自我识别,并根据影像学图片、流量数据、灰度变化数据及三维造影数据自动分析,获取更加真实准确的动脉瘤容积和三维造影动脉瘤形态数据。
Claims (6)
1.一种动脉瘤容积的三维造影动脉瘤形态数据库建立方法,其特征在于:包括以下步骤:
①建立并打印模型:根据临床影像学图片,重建若干个不同形状、不同大小的动脉瘤数字模型,并进行3D打印,获取两批动脉瘤数字模型;
②测量容积并建立数据库:将第一批动脉瘤数字模型用液体充满内腔,获取动脉瘤数字模型的容积,建立初级数据库;
③基于X线进行造影:在模拟临床中,通过X线,使用第一批动脉瘤数字模型进行不同流量下的动脉瘤的造影,获取匹配数据;
④匹配学习:将步骤③中的匹配数据与步骤②中的初级数据库进行第一次匹配学习和记忆学习,并人工标记动脉瘤图像边界,然后采用图像识别进行协同进一步处理和记忆学习,获取一级数据库;
⑤模型自检验:获取未匹配体积的第二批动脉瘤数字模型的匹配数据,用图像识别获取三维造影血管的形态图像,并进行自动分割处理,获取若干个识别处理对象,其次,将若干个识别处理对象与步骤④中的一级数据库,进行对比和第二次匹配学习,显现出动脉瘤边界,获取矫正后三维动脉瘤数据库;再根据步骤②中的容积确定方法,获取第二批的动脉瘤数字模型的实际容积数据,将第二批的动脉瘤数字模型的实际容积数据和矫正后三维动脉瘤数据库,与第一批的动脉瘤数字模型的容积进行第三次匹配学习并校正,获取二级数据库;
⑥临床自检验:在X线下,对新的真实人体颅颈部动脉瘤进行造影,并进行图像识别,获取初步的动脉瘤图像,生成真实人体颅颈部动脉瘤造影后的三维重建数据,获取动脉瘤结构,然后再次对动脉瘤的边界进行识别和修正,获取修正后的容积数据,再将该动脉瘤进行3D打印,使用液体填充确定实际容积,与步骤⑤中的二级数据库,进行第四次匹配学习和校正;
⑦获取数据库:获取准确和稳定的动脉瘤容积的三维造影动脉瘤形态数据库。
2.如权利要求1所述的动脉瘤容积的三维造影动脉瘤形态数据库建立方法,其特征在于:所述步骤③分为以下步骤:
(3.1)在模拟临床中,通过X线,使动脉瘤数字模型进行不同流量下的动脉瘤的造影,产生影像学数据和流量数据;
(3.2)记录动脉瘤腔及载瘤动脉在X线下造影剂显影后变化的灰度值,获取灰度变化数据,同时产生三维造影动脉瘤形态数据。
3.如权利要求2所述的动脉瘤容积的三维造影动脉瘤形态数据库建立方法,其特征在于:所述步骤③中,匹配数据包括影像学数据、流量数据、灰度变化数据和三维造影动脉瘤形态数据。
4.如权利要求1所述的动脉瘤容积的三维造影动脉瘤形态数据库建立方法,其特征在于:所述步骤④中,将影像学数据、流量数据、灰度变化数据及三维造影动脉瘤形态数据与第一批动脉瘤数字模型的容积进行匹配,并通过图像切割来识别动脉瘤。
5.如权利要求1所述的动脉瘤容积的三维造影动脉瘤形态数据库建立方法,其特征在于:所述步骤⑤分为以下步骤:
(5.1)在模拟临床中,通过X线,将第二批未匹配体积的3D打印的动脉瘤数字模型进行不同流量下的动脉瘤的造影,获取匹配数据;
(5.2)用图像识别获取三维造影血管的形态图像,并进行自动分割处理,获取若干个识别处理对象;
(5.3)将若干个识别处理对象与步骤④中的一级数据库进行对比、第二次匹配学习,显现出动脉瘤边界;
(5.4)根据步骤(5.1)中的匹配数据,对动脉瘤边界进行人工纠正、识别及修正,获取矫正后三维动脉瘤数据库;
(5.5)将第二批动脉瘤数字模型用液体充满内腔,获取实际容积数据;
(5.6)在初级数据库的基础上,将步骤(5.5)中的实际容积数据和矫正后三维动脉瘤数据库,与第一批动脉瘤数字模型容积进行第三次匹配学习并校正,获取二级数据库。
6.如权利要求1所述的动脉瘤容积的三维造影动脉瘤形态数据库建立方法,其特征在于:所述步骤⑥分为以下步骤:
(6.1)在X线下,对新的真实人体颅颈部动脉瘤进行造影,并进行图像识别,获取初步的动脉瘤图像;
(6.2)若实际存在动脉瘤,却出现未能识别情况,则进行人工标记;若得出初步识别图像,但不准确,则再次进行人工纠正识别动脉瘤是否正确及修正识别的动脉瘤边界,最后生成真实人体颅颈部动脉瘤造影后的三维重建数据,并得出识别动脉瘤结构,同时根据修正后的数据,获取修正后的容积数据;
(6.3)将动脉瘤进行3D打印,使用液体填充确定实际容积,与步骤⑤中的二级数据库,进行第四次匹配学习和校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911320037.1A CN110974415B (zh) | 2019-12-19 | 2019-12-19 | 一种动脉瘤容积的三维造影动脉瘤形态数据库建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911320037.1A CN110974415B (zh) | 2019-12-19 | 2019-12-19 | 一种动脉瘤容积的三维造影动脉瘤形态数据库建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110974415A CN110974415A (zh) | 2020-04-10 |
CN110974415B true CN110974415B (zh) | 2020-10-30 |
Family
ID=70065596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911320037.1A Active CN110974415B (zh) | 2019-12-19 | 2019-12-19 | 一种动脉瘤容积的三维造影动脉瘤形态数据库建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110974415B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359051B (zh) * | 2022-10-19 | 2023-12-15 | 江苏诺阳家居科技有限公司 | 基于图形识别的动脉瘤识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102525660A (zh) * | 2012-02-17 | 2012-07-04 | 南通爱普医疗器械有限公司 | 具有颅脑部病灶自动识别功能的手术导航仪 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004044435A1 (de) * | 2004-09-14 | 2006-03-30 | Siemens Ag | Verfahren und Vorrichtung zur Diagnose und Therapie des Aortenaneurysmas |
CN104933756B (zh) * | 2014-03-21 | 2018-03-30 | 北京冠生云医疗技术有限公司 | 三维冠状动脉分析模型的构建方法和系统 |
CN104866713B (zh) * | 2015-05-12 | 2018-02-13 | 南京霁云信息科技有限公司 | 基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统 |
US10973526B2 (en) * | 2016-10-05 | 2021-04-13 | Arizona Board Of Regents On Behalf Of Arizona State University | Customized endovascular devices and methods pertaining thereto |
EP3404667B1 (en) * | 2017-05-19 | 2024-02-28 | Siemens Healthineers AG | Learning based methods for personalized assessment, long-term prediction and management of atherosclerosis |
CN110335269A (zh) * | 2018-05-16 | 2019-10-15 | 腾讯医疗健康(深圳)有限公司 | 眼底图像的类别识别方法和装置 |
CN109919961A (zh) * | 2019-02-22 | 2019-06-21 | 北京深睿博联科技有限责任公司 | 一种用于颅内cta图像中动脉瘤区域的处理方法及装置 |
CN110037797B (zh) * | 2019-02-25 | 2022-04-19 | 南京鼓楼医院 | 基于3d打印技术的全血管腔内导板设计方法 |
CN109961850A (zh) * | 2019-03-19 | 2019-07-02 | 肖仁德 | 一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备 |
CN109907732B (zh) * | 2019-04-09 | 2022-12-02 | 广州新脉科技有限公司 | 一种颅内动脉瘤破裂风险的评估方法及系统 |
CN109924956B (zh) * | 2019-04-19 | 2022-03-18 | 广州新脉科技有限公司 | 一种颅内动脉瘤图像的形态学参数的测量方法及装置 |
-
2019
- 2019-12-19 CN CN201911320037.1A patent/CN110974415B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102525660A (zh) * | 2012-02-17 | 2012-07-04 | 南通爱普医疗器械有限公司 | 具有颅脑部病灶自动识别功能的手术导航仪 |
Also Published As
Publication number | Publication date |
---|---|
CN110974415A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3726467B1 (en) | Systems and methods for reconstruction of 3d anatomical images from 2d anatomical images | |
WO2022037696A1 (zh) | 基于深度学习的骨骼分割方法和系统 | |
Cañero et al. | Predictive (un) distortion model and 3-D reconstruction by biplane snakes | |
CN108899075A (zh) | 一种基于深度学习的dsa图像检测方法、装置及设备 | |
Yu et al. | A three-dimensional deep convolutional neural network for automatic segmentation and diameter measurement of type B aortic dissection | |
CN114359205B (zh) | 头颈血管分析方法、装置、存储介质及电子设备 | |
WO2020109813A1 (en) | Reconstruction method of organ vessel centerline | |
CN110974415B (zh) | 一种动脉瘤容积的三维造影动脉瘤形态数据库建立方法 | |
CN106570856A (zh) | 水平集动态规划颈总动脉内中膜厚度测量装置和方法 | |
WO2022219631A1 (en) | Systems and methods for reconstruction of 3d images from ultrasound and camera images | |
US10074174B2 (en) | Image processing apparatus that sets imaging region of object before imaging the object | |
CN108366778B (zh) | 移动解剖体和设备的多视图、多源配准 | |
CN114642444A (zh) | 口腔种植精度评价方法、系统和终端设备 | |
JP6888041B2 (ja) | 医用矢状面画像を取得する方法、医用矢状面画像を取得するニューラルネットワークのトレーニング方法及びコンピュータ装置 | |
US20160310036A1 (en) | Image processing apparatus, image processing method, and storage medium | |
CN111462270A (zh) | 一种基于新型冠状病毒肺炎ct检测的重建系统及方法 | |
CN109561820A (zh) | 牙龈诊断辅助装置和牙龈诊断辅助系统 | |
CN111627023B (zh) | 一种冠脉投影图像生成的方法、装置及计算机可读介质 | |
CN117495817A (zh) | 一种腔镜下血管异常图像判断方法及装置 | |
CN109767468B (zh) | 脏器体积检测方法及装置 | |
Oguz et al. | Automated placenta segmentation from 3D ultrasound images | |
Cuisenaire | Fully automated segmentation of carotid and vertebral arteries from CTA | |
Medina et al. | Markov random field modeling for three-dimensional reconstruction of the left ventricle in cardiac angiography | |
CN112801114B (zh) | 确定乳腺图像的投照位信息的方法及装置 | |
KR20180097037A (ko) | 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221008 Address after: 550000 No.28 Guiyi street, Yunyan District, Guiyang City, Guizhou Province Patentee after: THE AFFILIATED HOSPITAL OF GUIZHOU MEDICAL University Address before: 550000 No.2, 10th floor, building 1, No.66 Fushui North Road, Yunyan District, Guiyang City, Guizhou Province Patentee before: Xiang Xin |