CN111626979A - 一种管径测量方法及其装置 - Google Patents

一种管径测量方法及其装置 Download PDF

Info

Publication number
CN111626979A
CN111626979A CN202010079331.4A CN202010079331A CN111626979A CN 111626979 A CN111626979 A CN 111626979A CN 202010079331 A CN202010079331 A CN 202010079331A CN 111626979 A CN111626979 A CN 111626979A
Authority
CN
China
Prior art keywords
image data
pixel points
data segment
clustering
gray values
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
Application number
CN202010079331.4A
Other languages
English (en)
Other versions
CN111626979B (zh
Inventor
冀高
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.)
Shenzhen Ruiwode Life Technology Co.,Ltd.
Original Assignee
Rwd Life Science Co ltd
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 Rwd Life Science Co ltd filed Critical Rwd Life Science Co ltd
Priority to CN202010079331.4A priority Critical patent/CN111626979B/zh
Priority to CN202310302507.1A priority patent/CN116485724A/zh
Publication of CN111626979A publication Critical patent/CN111626979A/zh
Application granted granted Critical
Publication of CN111626979B publication Critical patent/CN111626979B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种管径测量方法，包括：获取第一图像数据中所有像素点的灰度值，第一图像数据为一维数组；对所有像素点的灰度值进行K均值聚类以确定图像分割阈值；通过图像分割阈值对所有像素点的灰度值进行二值化处理得到第二图像数据，第二图像数据为包含0和1的一维数组；根据包含0和1的第二图像数据确定血管边界。本发明实施例对一维数组的所有像素点的灰度值进行K均值聚类以确定图像分割阈值，通过该图像分割阈值对所有像素点的灰度值进行二值化处理，针对不同的应用场景确定血管边界，提高了管径计算的准确性和稳定性。

Description

一种管径测量方法及其装置
技术领域
本发明涉及图像处理领域，尤其涉及一种管径测量方法及其装置。
背景技术
在生化实验前后，动物的血管直径可能会发生变化。在生化实验前后对动物进行激光散斑血流成像，分别测量出同一位置的血管直径，则可以定量分析出这次生化实验对该动物的血管的影响。
然而，现有的成像效果还不够清晰，导致血管的边界较难确定，而且非血管区域也存在各种干扰。因此，需要一种鲁棒性强的管径测量方法来计算血管直径。
发明内容
本发明实施例提供一种管径测量方法，旨在解决现有技术中管径计算准确性和稳定性的问题。
第一方面，提供了一种管径测量方法，包括：
获取第一图像数据中所有像素点的灰度值，所述第一图像数据为一维数组；
对所有像素点的灰度值进行K均值聚类以确定图像分割阈值；
通过所述图像分割阈值对所有像素点的灰度值进行二值化处理得到第二图像数据，所述第二图像数据为包含0和1的一维数组；
根据包含0和1的所述第二图像数据确定血管边界。
第二方面，提供了一种管径测量装置，包括：
获取单元，用于获取第一图像数据中所有像素点的灰度值，所述第一图像数据为一维数组；
聚类单元，用于对所有像素点的灰度值进行K均值聚类以确定图像分割阈值；
二值化单元，用于通过所述图像分割阈值对所有像素点的灰度值进行二值化处理得到第二图像数据，所述第二图像数据为包含0和1的一维数组；
确定单元，用于根据包含0和1的所述第二图像数据确定血管边界。
本发明实施例对一维数组的所有像素点的灰度值进行K均值聚类以确定图像分割阈值，通过该图像分割阈值对所有像素点的灰度值进行二值化处理，针对不同的应用场景确定血管边界，提高了管径计算的准确性和稳定性。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明实施例一提供的管径测量方法的流程图；
图2a和图2b是本发明实施例提供的血管灰度图；
图3是本发明实施例提供的通过K均值聚类确定图像分割阈值的流程图；
图4是本发明实施例一提供的确定血管边界的流程图；
图5是本发明实施例一提供的确定血管边界的效果图；
图6是本发明实施例二提供的确定血管边界的流程图；
图7是本发明实施例二提供的确定血管边界的效果图；
图8是本发明实施例三提供的管径测量装置的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
激光散斑血流成像实现了对动物非接触、无创伤的快速成像，可以实时观察动物的血管分布，实时测量血管直径和血液流速等参数。
在本发明实施例中，对一维数组的所有像素点的灰度值进行K均值聚类以确定图像分割阈值，通过该图像分割阈值对所有像素点的灰度值进行二值化处理，针对不同的应用场景确定血管边界，提高了管径计算的准确性和稳定性。
实施例一
图1是本发明实施例一提供的管径测量方法的流程图。如图1所示，该方法包括：
步骤S101：获取第一图像数据中所有像素点的灰度值，第一图像数据为一维数组。
在本发明实施例中，通过激光散斑血流成像对动物的血管进行观察，实时拍摄得到伪彩图。经转换得到如图2a所示的灰度图，白色区域为动物的血管。当用户需要测量管径时，垂直于血管方向画出一条线，如图2b所示的AB线段。用户可以点击后拖动鼠标得到AB线段，也可以在灰度图上两次点击得到AB线段。按顺序获取AB线段所对应灰度图上的像素点的灰度值，并存入数组。
在另一实施例中，用户也可以在伪彩图上画出AB线段。按顺序获取AB线段所对应伪彩图上的像素点的值，并存入数组，然后再转换为灰度值。
步骤S102：对所有像素点的灰度值进行K均值聚类以确定图像分割阈值。
简单地说，K均值聚类是一种迭代求解的分类器，其根据某种距离函数将数据向各个聚类中心聚焦，划分为K个聚类集合。所需聚类集合的数量K和各聚类中心的初始值由用户设定。在本发明实施例中，对所有像素点的灰度值进行K均值聚类，K为2，即将所有像素点的灰度值分为第一聚类集合和第二聚类集合；第一聚类集合的第一聚类中心初始值设为所有像素点的最小灰度值，第二聚类集合的第二聚类中心初始值设为所有像素点的最大灰度值，也可以称为将所有像素点的灰度值划分为低值像素点聚类集合和高值像素点聚类集合。
作为本发明的一个实施例，通过K均值聚类确定图像分割阈值的过程如图3所示，该方法包括：
步骤S301：对所有像素点的灰度值进行K均值聚类，得到第一聚类中心和第二聚类中心。
K均值聚类的过程为：（1）针对每个像素点，计算灰度值与第一聚类中心的差值的模作为第一参数，计算灰度值与第二聚类中心的差值的模作为第二参数。（2）若第一参数小于第二参数，像素点属于第一聚类集合，若第一参数大于第二参数，像素点属于第二聚类集合。第一聚类中心为Smin，第二聚类中心为Smax，各像素点的灰度值为S，则第一参数=abs(S-Smin)，第二参数=abs(S-Smax)，第一参数表征了像素点到第一聚类中心的距离，第二参数表征了像素点到第二聚类中心的距离。若第一参数小于第二参数，即像素点距离第一聚类中心较近，则将该像素点划分进第一聚类集合；若第一参数大于第二参数，即像素点距离第二聚类中心较近，则将该像素点划分进第二聚类集合。（3）分别对第一聚类集合和第二聚类集合求均值更新第一聚类中心和第二聚类中心。划分了第一聚类集合和第二聚类集合后，分别对第一聚类集合和第二聚类集合中的数据求均值，作为新的聚类中心。若相邻两次的第二聚类中心的差值小于设定值，表明数据划分已趋于稳定，停止聚类过程；否则，重复上述过程，直至满足停止聚类的条件。
在本发明实施例中，主要的运算过程是K均值聚类的运算，该方法的运算量小，性能稳定。
步骤S302：将第一聚类中心和第二聚类中心加权求和作为图像分割阈值。
在本发明实施例中，聚类后得到最终的第一聚类中心Smin和第二聚类中心Smax，加权求和，如T=0.3*Smin+0.7*Smax，T作为图像分割阈值。第一聚类中心Smin和第二聚类中心Smax对应的权重可根据需要选择，在此不做限定。
步骤S103：通过图像分割阈值对所有像素点的灰度值进行二值化处理得到第二图像数据，第二图像数据为包含0和1的一维数组。
在本发明实施例中，采用图像分割阈值T对步骤S101得到的数组进行二值化处理得到第二图像数据，灰度值大于T的设为1，灰度值小于T的设为0。二值化效果如下：
…001110101100001111111111111111111111001000000000111100001111…。
步骤S104：根据包含0和1的第二图像数据确定血管边界。
作为本发明的一个实施例，在血管分布较为稀疏的区域，确定血管边界的过程如图4所示，该方法包括：
步骤S401：统计第二图像数据中包含1的个数M。
步骤S402：在第二图像数据中从左往右搜索出第一个1的第一位置和最后一个1的第二位置，第一位置和第二位置之间包含的0和1的个数为N。
步骤S403：在第一位置和第二位置之间搜索出距离第一位置0.5(N-M)的第三位置和距离第二位置0.5(N-M)的第四位置，第三位置和第四位置之间包含的0和1的个数为M。
步骤S404：以第三位置和第四位置作为血管边界。
通过步骤S401--步骤S404确定的血管边界的效果如图5所示。
在本发明实施例中，对二值化后得到的第二图像数据，在第一个1和最后一个1的中间找到长度为M的区间作为血管区域，M为第二图像数据中包含1的个数。第一个1和最后一个1之间、长度为M的血管区域可能同时包含0和1，因此运算量较少，也因此更适用于血管分布较为稀疏、管径较粗的区域。
本发明实施例对一维数组的所有像素点的灰度值进行K均值聚类以确定图像分割阈值，通过该图像分割阈值对所有像素点的灰度值进行二值化处理，针对血管分布稀疏、管径较粗的应用场景确定血管边界，提高了管径计算的准确性和稳定性。
实施例二
图6是本发明实施例二提供的确定血管边界的流程图，作为本发明的一个实施例，在血管分布较为密集、大血管小血管交错的区域，确定血管边界的过程如图6所示，该方法包括：
步骤S601：对第二图像数据进行预处理。
步骤S602：从预处理后的第二图像数据中搜索包含连续1的个数最多的第一数据段、包含连续1的个数次多的第二数据段，第一数据段包含1的个数为N1，第二数据段包含1的个数为N2，第一数据段和第二数据段之间包含0和1的个数为L。
步骤S603：若L大于N1并且L大于N2，以第一数据段的两端作为血管边界；若L小于N1或者L小于N2，以第一数据段和第二数据段相互远离的两端作为血管边界。
在本发明实施例中，首先对二值化后得到的第二图像数据进行预处理：针对第二图像数据从左往右，如果连续0的个数小于第一预设阈值，则将该连续0设置为连续1；如果连续1的个数小于第二预设阈值，则将该连续1设置为连续0，由此做降噪处理。然后搜索包含连续1的个数最多的第一数据段和包含连续1的个数次多的第二数据段。如果第一数据段和第二数据段之间0的个数大于第一数据段1的个数和大于第二数据段1的个数，以第一数据段作为血管区域；否则，以第一数据段、第二数据段以及两者之间包含0的区间作为血管区域。通过步骤S601--步骤S603确定的血管边界的效果如图7所示，将小血管过滤掉，只显示大血管的管径。
本发明实施例对一维数组的所有像素点的灰度值进行K均值聚类以确定图像分割阈值，通过该图像分割阈值对所有像素点的灰度值进行二值化处理，针对血管分布较为密集、大血管小血管交错的应用场景确定血管边界，提高了管径计算的准确性和稳定性，对于成像模糊、存在噪声干扰等有良好的适应性。
实施例三
图8为本发明实施例三提供的管径测量装置的结构框图，如图8所示，该装置包括：获取单元81、聚类单元82、二值化单元83和确定单元84。
获取单元81用于获取第一图像数据中所有像素点的灰度值，第一图像数据为一维数组。
聚类单元82用于对所有像素点的灰度值进行K均值聚类以确定图像分割阈值。
二值化单元83用于通过图像分割阈值对所有像素点的灰度值进行二值化处理得到第二图像数据，所述第二图像数据为包含0和1的一维数组。
确定单元84用于根据包含0和1的第二图像数据确定血管边界。
优选地，K为2，所有像素点的灰度值分为第一聚类集合和第二聚类集合；第一聚类集合的第一聚类中心初始值为所有像素点的最小灰度值，第二聚类集合的第二聚类中心初始值为所有像素点的最大灰度值。
优选地，聚类单元82包括聚类子单元和加权子单元。
聚类子单元用于对所有像素点的灰度值进行K均值聚类，得到第一聚类中心和第二聚类中心。
加权子单元用于将第一聚类中心和第二聚类中心加权求和作为图像分割阈值。
在本发明实施例中，确定单元84包括预处理子单元、第一搜索子单元和第一确定子单元。
预处理子单元用于对第二图像数据进行预处理。
第一搜索子单元用于从预处理后的第二图像数据中搜索包含连续1的个数最多的第一数据段、包含连续1的个数次多的第二数据段，第一数据段包含1的个数为N1，第二数据段包含1的个数为N2，第一数据段和第二数据段之间包含0和1的个数为L。
第一确定子单元用于若L大于N1并且L大于N2，以第一数据段的两端作为血管边界；若L小于N1或者L小于N2，以第一数据段和第二数据段相互远离的两端作为血管边界。
在本发明的另一实施例中，确定单元包括统计子单元、第二搜索子单元、第三搜索子单元和第二确定子单元。
统计子单元用于统计第二图像数据中包含1的个数M。
第二搜索子单元用于在第二图像数据中从左往右搜索出第一个1的第一位置和最后一个1的第二位置，第一位置和第二位置之间包含的0和1的个数为N。
第三搜索子单元用于在第一位置和第二位置之间搜索出距离第一位置0.5(N-M)的第三位置和距离第二位置0.5(N-M)的第四位置，第三位置和第四位置之间包含的0和1的个数为M。
第二确定子单元用于以第三位置和第四位置作为血管边界。
在该管径测量装置中运行的管径测量方法与实施例一、实施例二描述的方法一一对应，在此不再赘述。
本发明实施例对一维数组的所有像素点的灰度值进行K均值聚类以确定图像分割阈值，通过该图像分割阈值对所有像素点的灰度值进行二值化处理，针对不同的应用场景（血管分布稀疏、管径较粗和血管分布较为密集、大血管小血管交错）确定血管边界，提高了管径计算的准确性和稳定性。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种管径测量方法，其特征在于，所述方法包括：
获取第一图像数据中所有像素点的灰度值，所述第一图像数据为一维数组；
对所有像素点的灰度值进行K均值聚类以确定图像分割阈值；
通过所述图像分割阈值对所有像素点的灰度值进行二值化处理得到第二图像数据，所述第二图像数据为包含0和1的一维数组；
根据包含0和1的所述第二图像数据确定血管边界。
2.根据权利要求1所述的方法，其特征在于，K为2，所有像素点的灰度值分为第一聚类集合和第二聚类集合；所述第一聚类集合的第一聚类中心初始值为所有像素点的最小灰度值，所述第二聚类集合的第二聚类中心初始值为所有像素点的最大灰度值。
3.根据权利要求2所述的方法，其特征在于，对所有像素点的灰度值进行K均值聚类以确定图像分割阈值包括：
对所有像素点的灰度值进行K均值聚类，得到第一聚类中心和第二聚类中心；
将所述第一聚类中心和所述第二聚类中心加权求和作为图像分割阈值。
4.根据权利要求1-3任一项所述的方法，其特征在于，根据包含0和1的所述第二图像数据确定血管边界包括：
对所述第二图像数据进行预处理；
从预处理后的所述第二图像数据中搜索包含连续1的个数最多的第一数据段、包含连续1的个数次多的第二数据段，所述第一数据段包含1的个数为N1，所述第二数据段包含1的个数为N2，所述第一数据段和所述第二数据段之间包含0和1的个数为L；
若L大于N1并且L大于N2，以所述第一数据段的两端作为血管边界；
若L小于N1或者L小于N2，以所述第一数据段和所述第二数据段相互远离的两端作为血管边界。
5.根据权利要求1-3任一项所述的方法，其特征在于，根据包含0和1的所述第二图像数据确定血管边界包括：
统计所述第二图像数据中包含1的个数M；
在所述第二图像数据中从左往右搜索出第一个1的第一位置和最后一个1的第二位置，所述第一位置和所述第二位置之间包含的0和1的个数为N；
在所述第一位置和所述第二位置之间搜索出距离所述第一位置0.5(N-M)的第三位置和距离所述第二位置0.5(N-M)的第四位置，所述第三位置和所述第四位置之间包含的0和1的个数为M；
以所述第三位置和所述第四位置作为血管边界。
6.一种管径测量装置，其特征在于，所述装置包括：
获取单元，用于获取第一图像数据中所有像素点的灰度值，所述第一图像数据为一维数组；
聚类单元，用于对所有像素点的灰度值进行K均值聚类以确定图像分割阈值；
二值化单元，用于通过所述图像分割阈值对所有像素点的灰度值进行二值化处理得到第二图像数据，所述第二图像数据为包含0和1的一维数组；
确定单元，用于根据包含0和1的所述第二图像数据确定血管边界。
7.根据权利要求6所述的装置，其特征在于，K为2，所有像素点的灰度值分为第一聚类集合和第二聚类集合；所述第一聚类集合的第一聚类中心初始值为所有像素点的最小灰度值，所述第二聚类集合的第二聚类中心初始值为所有像素点的最大灰度值。
8.根据权利要求7所述的装置，其特征在于，所述聚类单元包括：
聚类子单元，用于对所有像素点的灰度值进行K均值聚类，得到第一聚类中心和第二聚类中心；
加权子单元，用于将所述第一聚类中心和所述第二聚类中心加权求和作为图像分割阈值。
9.根据权利要求6-8所述的装置，其特征在于，所述确定单元包括：
预处理子单元，用于对所述第二图像数据进行预处理；
第一搜索子单元，用于从预处理后的所述第二图像数据中搜索包含连续1的个数最多的第一数据段、包含连续1的个数次多的第二数据段，所述第一数据段包含1的个数为N1，所述第二数据段包含1的个数为N2，所述第一数据段和所述第二数据段之间包含0和1的个数为L；
第一确定子单元，用于若L大于N1并且L大于N2，以所述第一数据段的两端作为血管边界；若L小于N1或者L小于N2，以所述第一数据段和所述第二数据段相互远离的两端作为血管边界。
10.根据权利要求6-8所述的装置，其特征在于，所述确定单元包括：
统计子单元，用于统计所述第二图像数据中包含1的个数M；
第二搜索子单元，用于在所述第二图像数据中从左往右搜索出第一个1的第一位置和最后一个1的第二位置，所述第一位置和所述第二位置之间包含的0和1的个数为N；
第三搜索子单元，用于在所述第一位置和所述第二位置之间搜索出距离所述第一位置0.5(N-M)的第三位置和距离所述第二位置0.5(N-M)的第四位置，所述第三位置和所述第四位置之间包含的0和1的个数为M；
第二确定子单元，用于以所述第三位置和所述第四位置作为血管边界。
CN202010079331.4A 2020-02-04 2020-02-04 一种管径测量方法及其装置 Active CN111626979B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010079331.4A CN111626979B (zh) 2020-02-04 2020-02-04 一种管径测量方法及其装置
CN202310302507.1A CN116485724A (zh) 2020-02-04 2020-02-04 一种管径测量方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010079331.4A CN111626979B (zh) 2020-02-04 2020-02-04 一种管径测量方法及其装置

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202310302507.1A Division CN116485724A (zh) 2020-02-04 2020-02-04 一种管径测量方法及其装置

Publications (2)

Publication Number Publication Date
CN111626979A true CN111626979A (zh) 2020-09-04
CN111626979B CN111626979B (zh) 2023-06-02

Family

ID=72270800

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202310302507.1A Pending CN116485724A (zh) 2020-02-04 2020-02-04 一种管径测量方法及其装置
CN202010079331.4A Active CN111626979B (zh) 2020-02-04 2020-02-04 一种管径测量方法及其装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202310302507.1A Pending CN116485724A (zh) 2020-02-04 2020-02-04 一种管径测量方法及其装置

Country Status (1)

Country Link
CN (2) CN116485724A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576096A (zh) * 2024-01-16 2024-02-20 成都泰盟软件有限公司 一种基于图像识别的自动测量血管管径的方法及装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100061637A1 (en) * 2008-09-05 2010-03-11 Daisuke Mochizuki Image processing method, image processing apparatus, program and image processing system
CN102982314A (zh) * 2012-11-05 2013-03-20 深圳市恩普电子技术有限公司 一种血管内外膜识别、描记和测量的方法
CN103530889A (zh) * 2013-11-04 2014-01-22 天津工业大学 一种基于骨架提取的测量棒编码标记点解码方法
CN104243820A (zh) * 2014-09-03 2014-12-24 奇瑞汽车股份有限公司 一种确定图像边界的方法及装置
CN104778678A (zh) * 2014-10-09 2015-07-15 中国石油大学(华东) 一种考虑孔喉末端的孔隙喉道识别方法
CN107622501A (zh) * 2017-10-10 2018-01-23 上海联影医疗科技有限公司 一种医学图像的边界检测的方法
CN108596930A (zh) * 2018-04-23 2018-09-28 西安交通大学 基于天牛须算法和数学形态学的射线图像焊缝提取方法
CN108932449A (zh) * 2017-05-27 2018-12-04 广州智慧城市发展研究院 一种基于聚类的条码二值化方法及系统
CN109658406A (zh) * 2018-12-25 2019-04-19 广州天鹏计算机科技有限公司 血管图像的识别方法、装置、计算机设备和存储介质
CN110033466A (zh) * 2019-04-01 2019-07-19 数坤（北京）网络科技有限公司 一种基于多灰度级的冠脉拉直图像分割边界确定方法
CN110047086A (zh) * 2019-04-24 2019-07-23 飞依诺科技(苏州)有限公司 颈动脉内膜厚度自动测量方法及系统
CN110580685A (zh) * 2019-06-19 2019-12-17 南京邮电大学 光的等厚干涉图像数据处理系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100061637A1 (en) * 2008-09-05 2010-03-11 Daisuke Mochizuki Image processing method, image processing apparatus, program and image processing system
CN102982314A (zh) * 2012-11-05 2013-03-20 深圳市恩普电子技术有限公司 一种血管内外膜识别、描记和测量的方法
CN103530889A (zh) * 2013-11-04 2014-01-22 天津工业大学 一种基于骨架提取的测量棒编码标记点解码方法
CN104243820A (zh) * 2014-09-03 2014-12-24 奇瑞汽车股份有限公司 一种确定图像边界的方法及装置
CN104778678A (zh) * 2014-10-09 2015-07-15 中国石油大学(华东) 一种考虑孔喉末端的孔隙喉道识别方法
CN108932449A (zh) * 2017-05-27 2018-12-04 广州智慧城市发展研究院 一种基于聚类的条码二值化方法及系统
CN107622501A (zh) * 2017-10-10 2018-01-23 上海联影医疗科技有限公司 一种医学图像的边界检测的方法
CN108596930A (zh) * 2018-04-23 2018-09-28 西安交通大学 基于天牛须算法和数学形态学的射线图像焊缝提取方法
CN109658406A (zh) * 2018-12-25 2019-04-19 广州天鹏计算机科技有限公司 血管图像的识别方法、装置、计算机设备和存储介质
CN110033466A (zh) * 2019-04-01 2019-07-19 数坤（北京）网络科技有限公司 一种基于多灰度级的冠脉拉直图像分割边界确定方法
CN110047086A (zh) * 2019-04-24 2019-07-23 飞依诺科技(苏州)有限公司 颈动脉内膜厚度自动测量方法及系统
CN110580685A (zh) * 2019-06-19 2019-12-17 南京邮电大学 光的等厚干涉图像数据处理系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576096A (zh) * 2024-01-16 2024-02-20 成都泰盟软件有限公司 一种基于图像识别的自动测量血管管径的方法及装置

Also Published As

Publication number Publication date
CN116485724A (zh) 2023-07-25
CN111626979B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN107038717A (zh) 一种基于立体栅格自动分析3d点云配准误差的方法
CN109903282B (zh) 一种细胞计数方法、系统、装置和存储介质
CN112581607A (zh) 一种管道三维模型的构建方法、系统和介质
CN110060293B (zh) 一种ct检测系统的缺陷检出性能极限评估方法
JP6975177B2 (ja) 生物学的対象物の検出
CN111445546A (zh) 图像重建方法、装置、电子设备、存储介质
CN113674338A (zh) 双心室量化方法、装置、电子设备及存储介质
CN111626979B (zh) 一种管径测量方法及其装置
CN111753870B (zh) 目标检测模型的训练方法、装置和存储介质
CN110111382B (zh) 不规则区域面积计算方法、装置、计算机设备和存储介质
CN110992393B (zh) 一种基于视觉的目标运动跟踪方法
CN113344168A (zh) 短期泊位预测方法及系统
CN106123784B (zh) 一种测量长度的方法及装置
CN114041166A (zh) 一种卵泡跟踪方法和系统
EP2466330A2 (en) Ultrasound system and method for processing beam-forming based on sampling data
CN111462077A (zh) 一种利用非线性信息熵定征生物组织的方法
CN108174196B (zh) 基于距离加权的成像系统调制传递函数测量方法
KR101556601B1 (ko) 3차원 볼륨 영상의 빅 데이터 데이터베이스 구축 장치 및 방법
CN107669294B (zh) 波束合成中的变迹系数的实时计算方法及装置
US20150094575A1 (en) Method and device for tracking contrast medium
CN113393512B (zh) 基于二维超声图像的甲状腺体积自动估算方法及系统
CN116959086B (zh) 一种视线估计方法、系统、设备及存储介质
WO2013054088A1 (en) Improvements in localisation estimation
CN113393513B (zh) 电影银幕穿孔测量方法、测量装置及计算设备
CN118009946B (zh) 一种泥浆管路磨损自动监测方法及系统

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 1901, block a, block 9, block C, Wanke Yuncheng phase III, liuxinsi Road, Xili community, Nanshan District, Shenzhen City, Guangdong Province

Applicant after: RWD LIFE SCIENCE Co.,Ltd.

Address before: 518057 201, Beitel building, No.11, Gaoxin North 4th Road, songpingshan community, Xili street, Nanshan District, Shenzhen City, Guangdong Province

Applicant before: RWD LIFE SCIENCE Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 518057, Room 1901, Building A, Building 7, Shenzhen International Innovation Valley, Dashi Road, Xili Community, Xili Street, Nanshan District, Shenzhen City, Guangdong Province (9th, 19th, 20th, and 9th floors of Building A)

Patentee after: Shenzhen Ruiwode Life Technology Co.,Ltd.

Country or region after: China

Address before: 518057 room 1901, block a, building 9, area C, Wanke Yuncheng phase III, Liuxin 4th Road, Xili community, Xili street, Nanshan District, Shenzhen City, Guangdong Province

Patentee before: RWD LIFE SCIENCE Co.,Ltd.

Country or region before: China