CN111127373B - 一种基于局部截面分析的血管图像提取方法及装置 - Google Patents

一种基于局部截面分析的血管图像提取方法及装置 Download PDF

Info

Publication number
CN111127373B
CN111127373B CN201911417633.1A CN201911417633A CN111127373B CN 111127373 B CN111127373 B CN 111127373B CN 201911417633 A CN201911417633 A CN 201911417633A CN 111127373 B CN111127373 B CN 111127373B
Authority
CN
China
Prior art keywords
image
blood vessel
enhanced
images
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
Application number
CN201911417633.1A
Other languages
English (en)
Other versions
CN111127373A (zh
Inventor
霍颖瑜
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.)
Foshan University
Original Assignee
Foshan University
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 Foshan University filed Critical Foshan University
Priority to CN201911417633.1A priority Critical patent/CN111127373B/zh
Publication of CN111127373A publication Critical patent/CN111127373A/zh
Application granted granted Critical
Publication of CN111127373B publication Critical patent/CN111127373B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于局部截面分析的血管图像提取方法及装置，所述方法为：首先获取在一个血液充盈周期内均匀采集的多张血管图像；接着对多张血管图像进行预处理，得到增强图像；并将增强图像分为背景区域和血管区域；最后将在一个血液充盈周期内的多张增强图像中的血管区域进行拼接，生成一张血管图像，本发明还相应的提供了基于局部截面分析的血管图像提取装置和存储介质，本发明能够提取准确度更高的血管图像。

Description

一种基于局部截面分析的血管图像提取方法及装置
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于局部截面分析的血管图像提取方法及装置。
背景技术
传统的血管标注中，通过医生手工标注图像中的血管脉络，需要耗费大量时间来完成一张图片的血管分割。为了节约人力，提高效率，需要借助计算机辅助，自动化地分割血管。
临床或研究中，在对血管进行分析时，通过血管注入造影剂，对血管区域的图像进行分割提取。血管图像表现为一个一个大小不等、亮度不均的亮斑。对于这些亮斑的提取，最简单实用的办法，是使用全局阈值加数学形态学处理提取重建，这种方法一般都对图像有一定的假设，假设图像的目标和背景占据不同的灰度级范围，在目标和背景内部的相邻像素间的灰度值差异较小，但在目标和背景交界处两边的像素在灰度值上有较大的差别。
然而，由于这种方式采用单一的阈值，灵活性较差，受图像质量的影响较大，往往导致提取的血管图像不够准确。
发明内容
为解决上述问题，本发明提供一种基于局部截面分析的血管图像提取方法及装置，旨在至少解决现有技术中存在的技术问题之一。
为了实现上述目的，本发明提供以下技术方案：
根据本发明第一方面实施例提供的一种基于局部截面分析的血管图像提取方法，包括：
获取在一个血液充盈周期内均匀采集的多张血管图像；
对多张血管图像进行预处理，得到增强图像；
将增强图像分为背景区域和血管区域；
将在一个血液充盈周期内的多张增强图像中的血管区域进行拼接，生成一张血管图像。
进一步，所述在一个血液充盈周期内均匀采集的多张血管图像，具体为：
以相同的时间间隔在一个血液充盈周期内连续采集的n张血管图像，n张血管图像的图像采集区域一致，其中，n≥5。
进一步，所述对多张血管图像进行预处理，得到增强图像，具体为：
采用自适应直方图均衡化算法对血管图像进行处理，得到归一化图像；
采用中值滤波算法对归一化图像进行消噪，得到去噪图像；
对去噪图像分别进行高帽变换和黑帽变换，求取高帽变换得到的图像亮度与黑帽变换得到的图像亮度的亮度差值，得到增强图像。
进一步，所述将图像分为背景区域和血管区域，具体为：
采用OTSU算法将增强图像按灰度值分为背景区域和血管区域。
进一步，所述将在一个血液充盈周期内的多张增强图像中的血管区域进行拼接，生成一张血管图像，具体为：
将一个血液充盈周期内的多张增强图像按时间序列进行排序，使得多张增强图像中的血管区域保持重叠；
计算增强图像中的血管区域在同一像素点的最大灰度值；
依次判断增强图像中血管区域的灰度值是否大于分割阈值，所述分割阈值为最大灰度值的0.8倍；
依次从增强图像中分割出一个子图像块，所述子图像块中血管区域的灰度值大于分割阈值；
将多张增强图像中提取的子图像块进行拼接，得到一张血管图像。
根据本发明第二方面实施例提供的一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行如本发明第一方面实施例所述的基于局部截面分析的血管图像提取方法。
根据本发明第三方面实施例提供一种基于局部截面分析的血管图像提取装置，所述装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的血管图像提取程序，所述血管图像提取程序被所述处理器执行时实现如本发明第一方面实施例所述的基于局部截面分析的血管图像提取方法的步骤。
本发明的有益效果是：本发明公开一种基于局部截面分析的血管图像提取方法及装置，所述方法为：首先获取在一个血液充盈周期内均匀采集的多张血管图像；接着对多张血管图像进行预处理，得到增强图像；并将增强图像分为背景区域和血管区域；最后将在一个血液充盈周期内的多张增强图像中的血管区域进行拼接，生成一张血管图像，本发明还相应的提供了基于局部截面分析的血管图像提取装置和存储介质。本发明能够提取准确度更高的血管图像。
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是本发明实施例一种基于局部截面分析的血管图像提取方法的流程示意图；
图2是本发明实施例图1所示方法中步骤S200的流程示意图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
参考图1，如图1所示为一种基于局部截面分析的血管图像提取方法，包括以下步骤：
步骤S100、获取在一个血液充盈周期内均匀采集的多张血管图像；
步骤S200、对多张血管图像进行预处理，得到增强图像；
步骤S300、将增强图像分为背景区域和血管区域；
步骤S400、将在一个血液充盈周期内的多张增强图像中的血管区域进行拼接，生成一张血管图像。
目前医学图像处理领域中，血管造影是一种有效的辅助检查技术，血管造影是指将显影剂引入靶血管内，由于X光无法穿透显影剂，在X光下会显示影像，使得目的血管得以显影。本实施例采用血管造影技术，可以更加凸显血管图像。
本实施例中，首先获取在一个血液充盈周期内均匀采集的多张血管图像。这样，就可以得到血管造影在一个血液充盈周期内各个时刻的影像，从而彰显多个时刻的血管造影特征。接着对多张血管图像进行预处理，得到增强图像；预处理的目的在于：去除图像中的噪音、弱化图像中的背景区域，使得图像中的血管区域特征更加明显。进而将增强图像分为背景区域和血管区域；通过这一步可以得到血管图像对应的血管区域。最后将在一个血液充盈周期内的多张增强图像中的血管区域进行拼接，生成一张血管图像，这样，就可以结合一个血液充盈周期内血管区域的影像优势，从而得到一张图像清晰度更高的血管图像。可见，相较于对一张血管图像的处理，本发明所公开的实施例提取的血管图像准确度更高。
在一个改进的实施例中，所述步骤S100具体为：
以相同的时间间隔在一个血液充盈周期内连续采集的n张血管图像，n张血管图像的图像采集区域一致，其中，n≥5。
一般来说，血管中的血液在一个充盈周期内的流速大体均匀，采用相同的时间间隔进行连续采集，并保证5张最低采集图像的数量，可以捕捉到血管造影的完整信息。
参考图2，在一个改进的实施例中，所述步骤S200具体为：
步骤S210、采用自适应直方图均衡化算法对血管图像进行处理，得到归一化图像。
由于血管图像中总是存在噪声，通过灰度图的形式描述图像，噪声的灰度值与其邻域的灰度值就会形成较大的差异，噪声的灰度值会产生突变，自适应直方图均衡化算法可以消除孤立的噪声点，去除噪声。
自适应直方图均衡化算法是用来提升图像的对比度的一种计算机图像处理技术，自适应直方图均衡化算法通过计算图像的局部直方图，然后重新分布亮度来来改变图像对比度，该算法更适合于改进图像的局部对比度以及获得更多的图像细节。
步骤S220、采用中值滤波算法对归一化图像进行消噪，得到去噪图像。
本实施例中，采用中值滤波算法对归一化图像进行消噪，可快速消除归一化图像中的明显噪声，然而，虽通过中值滤波算法消除了归一化图像中的部分噪声，但有过度放大归一化图像中相同区域的噪音的问题，且血管与图像背景之间的对比度相差较小，不利于血管分割。为此，本实施例还需要经过下述步骤进行图像增强。
步骤S230、对去噪图像分别进行高帽变换和黑帽变换，求取高帽变换得到的图像亮度与黑帽变换得到的图像亮度的亮度差值，得到增强图像。
本实施例通过以下公式进行开运算：通过以下公式进行闭运算：Iclose＝I·b；式中，I为去噪图像，b为结构元素，/>为开运算符号，·为闭运算符号。开运算是先腐蚀运算后膨胀运算，能够消除孤立的小点，闭运算是先膨胀后腐蚀，能够填充物体，平滑边界；无论对目标图像进行开运算或闭运算，其总的位置和形状不变，通过图像增强，可以更加凸显血管的纹理特征。
本实施例中，高帽变换是通过利用开运算处理目标图像，而黑帽变换则是通过闭运算处理目标图像；本实施例通过以下公式进行高帽运算：通过以下公式进行黑帽运算：Ibottom_hat＝I-I·b＝I-Iclose；通过以下公式求取高帽变换得到的图像亮度与黑帽变换得到的图像亮度的亮度差值：Ienhance＝Itop_hat－Ibottom_hat，式中，Ienhance为计算得到的增强图像。
在一个改进的实施例中，所述步骤S300具体为：采用OTSU算法将增强图像按灰度值分为背景区域和血管区域。
OTSU算法是一种图像分割中阈值选取的算法，OTSU算法计算简单，不受图像亮度和对比度的影响，本实施例中，采用OTSU算法将增强图像按灰度值分为背景区域和血管区域。因方差是灰度分布均匀性的一种度量，背景区域和血管区域之间的类间方差越大，说明构成增强图像的两部分区域的差别越大，当背景区域错分为血管区域，或血管区域错分为背景区域时，都会导致增强图像的两部分区域的差别变小。因此，OTSU算法采用的类间方差最大的分割方法意味着错分概率最小，得到的血管区域也最准确。
在一个改进的实施例中，所述步骤S400具体为：
(1)将一个血液充盈周期内的多张增强图像按时间序列进行排序，使得多张增强图像中的血管区域保持重叠。
(2)计算增强图像中的血管区域在同一像素点的最大灰度值；
(3)依次判断增强图像中血管区域的灰度值是否大于分割阈值，所述分割阈值为最大灰度值的0.8倍。
(4)依次从增强图像中分割出一个子图像块，所述子图像块中血管区域的灰度值大于分割阈值；
(5)将多张增强图像中提取的子图像块进行拼接，得到一张血管图像。
本实施例中，通过对增强图像按时间序列进行排序，便于根据血液的流动方向提取血管图像。由于多张增强图像中的血管区域保持重叠。这样，后续分割得到的子图像块进行拼接时，无需进行对位，避免了繁琐的处理步骤，提高处理效率。通过求取最大灰度值，进而确定一个优选的分割阈值，可以从全部的增强图像中选取灰度值较优的子图像块，通过将灰度值较优的子图像块进行拼接，形成对比度最优的血管图像，提取的血管图像准确度更高。
本发明实施例还提供一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行上述任一项所述的基于局部截面分析的血管图像提取方法。
本发明实施例还提供一种基于局部截面分析的血管图像提取装置，所述装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的血管图像提取程序，所述血管图像提取程序被所述处理器执行时实现上述任一项所述的基于局部截面分析的血管图像提取方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件的实现方式，以软件形式加载到处理器中，进行血管图像提取。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来。
本实施例中的血管图像提取装置和存储介质，可以执行本发明的血管图像提取方法，可执行方法实施例的任意组合实施步骤，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
所述处理器可以是中央处理单元(Central-Processing-Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor，DSP)、专用集成电路(Application-Specific-Integrated-Circuit，ASIC)、现场可编程门阵列(Field-Programmable-Gate-Arr ay，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于局部截面分析的血管图像提取装置的控制中心，利用各种接口和线路连接整个基于局部截面分析的血管图像提取装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于局部截面分析的血管图像提取装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart-Media-Card，SMC)，安全数字(Secure-Digital，SD)卡，闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (4)

1.一种基于局部截面分析的血管图像提取方法，其特征在于，包括：
获取在一个血液充盈周期内均匀采集的多张血管图像；
对多张血管图像进行预处理，得到增强图像；
将增强图像分为背景区域和血管区域；
将在一个血液充盈周期内的多张增强图像中的血管区域进行拼接，生成一张血管图像；
所述对多张血管图像进行预处理，得到增强图像，具体为：
采用自适应直方图均衡化算法对血管图像进行处理，得到归一化图像；
采用中值滤波算法对归一化图像进行消噪，得到去噪图像；
对去噪图像分别进行高帽变换和黑帽变换，求取高帽变换得到的图像与黑帽变换得到的图像亮度的亮度差值，得到增强图像；
将图像分为背景区域和血管区域，具体为：采用OTSU算法将增强图像按灰度值分为背景区域和血管区域；
其中，通过以下公式进行开运算：Iopen＝Iob；通过以下公式进行闭运算：Iclose＝I·b；式中，I为去噪图像，b为结构元素，o为开运算符号，·为闭运算符号；
通过以下公式进行高帽运算：Itop_hat＝I-Iob＝I-Iopen；通过以下公式进行黑帽运算：Ibottom_hat＝I-I·b＝I-Iclose；通过以下公式求取高帽变换得到的图像亮度与黑帽变换得到的图像亮度的亮度差值：Ienhance＝Itop_hat－Ibottom_hat，式中，Ienhance为计算得到的增强图像；
所述将在一个血液充盈周期内的多张增强图像中的血管区域进行拼接，生成一张血管图像，具体为：
将一个血液充盈周期内的多张增强图像按时间序列进行排序，使得多张增强图像中的血管区域保持重叠；
计算增强图像中的血管区域在同一像素点的最大灰度值；
依次判断增强图像中血管区域的灰度值是否大于分割阈值，所述分割阈值为最大灰度值的0.8倍；
依次从增强图像中分割出一个子图像块，所述子图像块中血管区域的灰度值大于分割阈值；
将多张增强图像中提取的子图像块进行拼接，得到一张血管图像。
2.根据权利要求1所述的一种基于局部截面分析的血管图像提取方法，其特征在于，所述在一个血液充盈周期内均匀采集的多张血管图像，具体为：
以相同的时间间隔在一个血液充盈周期内连续采集的n张血管图像，n张血管图像的图像采集区域一致，其中，n≥5。
3.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1至2任一项所述方法。
4.一种基于局部截面分析的血管图像提取装置，其特征在于，所述装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的血管图像提取程序，所述血管图像提取程序被所述处理器执行时实现如权利要求1至2中任一项所述的基于局部截面分析的血管图像提取方法的步骤。
CN201911417633.1A 2019-12-31 2019-12-31 一种基于局部截面分析的血管图像提取方法及装置 Active CN111127373B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911417633.1A CN111127373B (zh) 2019-12-31 2019-12-31 一种基于局部截面分析的血管图像提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911417633.1A CN111127373B (zh) 2019-12-31 2019-12-31 一种基于局部截面分析的血管图像提取方法及装置

Publications (2)

Publication Number Publication Date
CN111127373A CN111127373A (zh) 2020-05-08
CN111127373B true CN111127373B (zh) 2023-08-08

Family

ID=70506830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911417633.1A Active CN111127373B (zh) 2019-12-31 2019-12-31 一种基于局部截面分析的血管图像提取方法及装置

Country Status (1)

Country Link
CN (1) CN111127373B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446871B (zh) * 2020-12-02 2022-11-15 山东大学 一种基于深度学习和OpenCV的隧道裂缝识别方法
CN112465842B (zh) * 2020-12-22 2024-02-06 杭州电子科技大学 基于U-net网络的多通道视网膜血管图像分割方法
CN112862850A (zh) * 2021-02-03 2021-05-28 北京阅影科技有限公司 数字剪影血管造影影像处理方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407917A (zh) * 2016-09-05 2017-02-15 山东大学 基于动态尺度分配的视网膜血管提取方法及系统
CN108335270A (zh) * 2018-01-19 2018-07-27 重庆大学 一种多帧图像血管特征识别及信息融合的彩色编码方法
CN108805871A (zh) * 2018-06-14 2018-11-13 艾瑞迈迪医疗科技（北京）有限公司 血管图像处理方法、装置、计算机设备和存储介质
CN110570362A (zh) * 2019-08-02 2019-12-13 佛山科学技术学院 一种虹膜血管成像方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682636B (zh) * 2016-12-31 2020-10-16 上海联影医疗科技有限公司 血管提取方法及其系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407917A (zh) * 2016-09-05 2017-02-15 山东大学 基于动态尺度分配的视网膜血管提取方法及系统
CN108335270A (zh) * 2018-01-19 2018-07-27 重庆大学 一种多帧图像血管特征识别及信息融合的彩色编码方法
CN108805871A (zh) * 2018-06-14 2018-11-13 艾瑞迈迪医疗科技（北京）有限公司 血管图像处理方法、装置、计算机设备和存储介质
CN110570362A (zh) * 2019-08-02 2019-12-13 佛山科学技术学院 一种虹膜血管成像方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁礼明 ; 刘博文 ; 杨海龙 ; 石霏 ; 陈新建 ; .基于多特征融合的有监督视网膜血管提取.计算机学报.2017,(11),第148-162页. *

Also Published As

Publication number Publication date
CN111127373A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111127373B (zh) 一种基于局部截面分析的血管图像提取方法及装置
CN110766736B (zh) 缺陷检测方法、装置、电子设备以及存储介质
CN107180421B (zh) 一种眼底图像病变检测方法及装置
CN113112443B (zh) 超声图像病灶的分割方法、装置和计算机设备
US8983199B2 (en) Apparatus and method for generating image feature data
US20180101953A1 (en) Automatic 3d brain tumor segmentation and classification
CN107123124B (zh) 视网膜图像分析方法、装置和计算设备
CN116071355A (zh) 一种用于外周血管影像的辅助分割系统及方法
Sang et al. Knowledge-based adaptive thresholding segmentation of digital subtraction angiography images
CN111105427B (zh) 一种基于连通区域分析的肺部图像分割方法及系统
EP2975844A1 (en) Image processing device, image processing method, and program
CN110060246B (zh) 一种图像处理方法、设备及存储介质
US11068740B2 (en) Particle boundary identification
CN108960247B (zh) 图像显著性检测方法、装置以及电子设备
US8160336B2 (en) Reducing false positives for automatic computerized detection of objects
CN113034508B (zh) 超声图像病灶的分割方法、装置和计算机设备
CN111161285B (zh) 一种基于特征分析的心包区域定位方法、装置及系统
CN113421254B (zh) 微循环血管分支长度和直径计算方法及装置和终端设备
CN112529918B (zh) 一种脑部ct图像中脑室区域分割的方法、装置及设备
CN115272362A (zh) 一种数字病理全场图像有效区域分割方法、装置
CN114463352A (zh) 玻片扫描图像目标分割提取方法及系统
Costantini et al. A hardware-implementable system for retinal vessel segmentation
Xia et al. A novel methodology for extracting colon’s lumen from colonoscopic images
CN116934776B (zh) 一种fish显微图像信号点区域提取方法、装置、设备及介质
CN115187598B (zh) 血管造影图像的处理方法、装置、系统、设备及介质

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