CN111667467B - 基于聚类算法的下肢血管钙化指数多参数累积计算方法 - Google Patents

基于聚类算法的下肢血管钙化指数多参数累积计算方法 Download PDF

Info

Publication number
CN111667467B
CN111667467B CN202010466288.7A CN202010466288A CN111667467B CN 111667467 B CN111667467 B CN 111667467B CN 202010466288 A CN202010466288 A CN 202010466288A CN 111667467 B CN111667467 B CN 111667467B
Authority
CN
China
Prior art keywords
image
lower limb
calcified
pixel
cumulative
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
CN202010466288.7A
Other languages
English (en)
Other versions
CN111667467A (zh
Inventor
王中群
耿跃
杜睿
冯国全
李丽华
邵晨
严金川
孙振
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.)
Affiliated Hospital of Jiangsu University
Original Assignee
Affiliated Hospital of Jiangsu 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 Affiliated Hospital of Jiangsu University filed Critical Affiliated Hospital of Jiangsu University
Priority to CN202010466288.7A priority Critical patent/CN111667467B/zh
Publication of CN111667467A publication Critical patent/CN111667467A/zh
Application granted granted Critical
Publication of CN111667467B publication Critical patent/CN111667467B/zh
Priority to US17/432,094 priority patent/US11557072B2/en
Priority to PCT/CN2021/094611 priority patent/WO2021238739A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • 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
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • 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
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • 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
    • G06T7/13—Edge detection
    • 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
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/76—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries based on eigen-space representations, e.g. from pose or different illumination conditions; Shape manifolds
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Vascular Medicine (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Pulmonology (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Nonlinear Science (AREA)
  • Physiology (AREA)
  • Geometry (AREA)

Abstract

本发明公开了基于聚类算法的下肢血管钙化指数多参数累积计算方法，对首先对CT图像进行超像素分割，将CT图像中钙化斑点分割在各个超像素区域内；在完成超像素分割后，使用Lab颜色空间提取钙化斑点所在超像素区域的亮度特征值，并对图像中钙化斑点进行边缘检测和轮廓提取，经过边缘检测和轮廓提取后，对图像中的钙化斑点使用分段椭圆进行拟合及优化椭圆轮廓后对钙化斑点的面积进行提取；本发明是基于亮度特征值、钙化斑点的面积和累积校正系数等多参数从获得CT图像中钙化程度的判断值，直接对下肢血管CT图像进行处理有效降低经验判断的误差。

Description

基于聚类算法的下肢血管钙化指数多参数累积计算方法
技术领域
本发明属于医学图像处理技术领域，具体涉及基于聚类算法的下肢血管钙化指数多参数累积计算方法。
背景技术
糖尿病下肢动脉硬化闭塞症是糖尿病发展到一定程度的一种较为严重的外周动脉血管性疾病如图5所示，糖尿病、高血压、脂代谢紊乱、吸烟等是其发病的重要危险因素。由于糖尿病患者长期处在高血糖因素的刺激下，其外周动脉病变程度常较单纯高血压病人更为严重，其下肢动脉病变患者更容易引起较高的致残率及死亡率。轻者可引起下肢麻木、发凉，中重度则可引起间歇性静息痛，最后发展为坏死从而导致截肢致残。由于糖尿病病情的复杂性和病程的长期性，糖尿病下肢动脉硬化闭塞症往往较其他原因引起的下肢动脉硬化闭塞患者病变较为广泛且严重，如斑块较多，且膝以下小血管病变更为严重，由于其复杂性，往往给临床治疗工作带来了一定的困难。
目前，对下肢动脉的检查技术包括踝肱指数测定、动脉造影、彩色多普勒、CT血管成像、磁共振血管造影等手段。然后上述检查技术也存在着以下不足，踝肱指数测定无法对对血管狭窄程度及性质做出判断，当钙化比较严重时存在假阴性率。动脉造影是一项由创性检查且成本高，并发症多。彩色多普勒的检查结果受操作者熟练程度等因素影响较大，且对深部血管及临近骨头血管显示较差。磁共振血管造影的应用虽然越来越广泛，但是磁共振血管造影空间分辨率低，对细小的血管诊断仍存在较大偏差，不能完全达到临床需要。CT图像技术在血管成像的应用越来越被广泛应用，但是临床医师根据成像结果对患者的病情进行评估，大部分是依靠医师的个人经验进行的判断，所以判断结果受到很大程度人为因素的影响，因此针对CT图像需要设计一种更有效的方法，通过对CT图像的处理，输出较为准确下肢血管钙化程度，有效避免人为因素影响判断结果。
除此之外，和人体其他动脉钙化斑块分布不同的是，下肢动脉血管分支分化更加细化和繁杂，由于糖尿病足面临截肢的诊断准确性往往受到采集下肢血管内的钙化斑块的钙化程度的影响，如何正确获取下肢血管钙化指数将是目前研究的重点和难点。
发明内容
为了解决现有技术中下肢血管钙化指数缺乏有效的计算手段的问题，本发明提出了基于聚类算法的下肢血管钙化指数多参数累积计算方法，通过对下肢血管的CT图像处理得到的CT亮度特征值、钙化面积，结合血管流体力学研究获得的相应的累积校正系数，给出了下肢血管钙化指数的量化数值，该下肢血管钙化指数的数值能够很大程度的表征下肢血管的钙化程度，为后续的糖尿病足面临截肢的诊断风险提供数据依据。
本发明所采用的技术方案如下：
步骤1，采集待分析的下肢血管CT图像；
步骤2，使用线性迭代聚类算法将CT图像中钙化斑点被均匀分割在每一个超像素区域内；
步骤3，完成超像素分割后，通过Lab颜色空间提取钙化斑点所在超像素区域的CT亮度特征值，
步骤4，对CT图像中的钙化斑点进行边缘检测和轮廓提取，利用分段椭圆对处理后的图像中钙化斑点进行拟合并进行优化处理得到钙化斑点的半径，进而计算钙化斑点的面积；
步骤5，根据Cal＝k·ρ·S获得CT图像中钙化程度的判断值，其中，ρ为CT亮度特征值，S为钙化斑点的面积，k为累积校正系数。
进一步，所述步骤2将CT图像进行超像素分割的方法为：
步骤2.1，对所采集的原始下肢血管CT图像进行均匀的超像素分割，设原始下肢血管CT图像中的像素共有X个，原始下肢血管CT图像被分割成K个，则每个超像素都有
Figure BDA0002512765130000021
个像素；
步骤2.2，预设初始的聚类中心C和初始聚类中心C之间的间隔；
步骤2.3，基于欧几里距离搜寻聚类中心C领域内靠近C的像素点，并将这些像素点划为一类；
步骤2.4，计算K个超像素区域内所有像元的平均特征向量值，根据平均特征向量值进行下一次聚类，迭代更新聚类中心，再次迭代直到迭代结束；
步骤2.5，对完成迭代后的超像素进行分割，获得超像素区域。
进一步，所述步骤3中提取钙化斑点所在超像素区域的亮度特征值的方法为：
步骤3.1，提取出Lab中的亮度通道L，表征下肢血管CT图像亮度特征
Figure BDA0002512765130000022
进而获得下肢血管CT图像的亮度图像L0，Y为的中间变量，Y0为是CIE标准定义白色的灰度值，f为矫正函数；
步骤3.2，基于亮度图L0提取钙化斑点所在超像素区域的亮度特征值。
进一步，步骤3.2提取亮度特征值的过程为：
步骤3.2.1，使用高斯滤波1/2下采样对L0进行处理后得到图像L1，L1＝subsample(lpfilter(L0))，其中，subsample()为下采样函数，lpfilter()为频域滤波函数；
步骤3.2.2，提取经高斯滤波后的超像素区域内亮度最大像素点A(x,y)，并求得该超像素区域内所有像素灰度值的和
Figure BDA0002512765130000031
其中，(x,y)为像素坐标，y∈(y1,y2)，x∈(x1,x2)，y1、y2分别是该超像素区域内y轴方向的坐标值，x1、x2分别是该超像素区域内x轴方向的坐标值，f(x,y)为(x,y)处的像素值，Py(x)为在横坐标在x处的列向量像素灰度值累加和，再通过
Figure BDA0002512765130000032
得到整个超像素区域内所有像素灰度值累加和；
步骤3.2.3，整个超像素区域内所有像素灰度值的累加和即为CT亮度值。
进一步，利用边缘检测和轮廓提取对钙化斑点处理的过程法为：
步骤4.1.1，利用高斯滤波器对图像进行预处理；
步骤4.1.2，使用sobel算子计算滤波后图像中每个像素点的梯度大小和方向；
步骤4.1.3，基于像素的梯度强度对比选择边缘点，当某一像素的梯度强度大于沿正负梯度方向上的另外两个像素，则保留其为边缘点，反之则抑制该像素；
步骤4.1.4，将上一步得到的边缘点与上限阈值相比较，进而对边缘点进行筛选；若上限阈值小于边缘点，则保留该点并设定改点为第一个边缘点；接着查找该点的相邻点是否小于上限阈值，重复这一个过程，并将所有大于上限阈值的点进行连接。
进一步，所述分段椭圆进行拟合的方法为：
步骤4.2.1，将得到的轮廓随机分为n段；
步骤4.2.2，在每一段轮廓中任意选取12个不重复的点，利用最小二乘法拟合得到n个候选椭圆；
步骤4.2.3，设置判断阈值l0，将点(xi,yi)与候选椭圆轮廓之间的距离li与判断阈值l0进行比较，若li＞l0，则丢弃改点，不记票数，若li≤l0，则保留改点，记1票，并将该点的相关参数汇总得到数据集Vi＝(xic,yic,ai,bi,θi,ni,si)，其中，候选椭圆的圆心为(xic,yic)，半长轴为ai，半短轴为bi，旋转角为θi，si代表每个段的序列号，ni为轮廓的段数；重复上述比较过程直至所有候选椭圆轮廓上的点都被比较过，将所有被保留的M个点的数据集汇总得到V＝{Vi＝(xic,yic,ai,bi,θi,ni,si)|i＝1,2,......,M}，且记票数最多的是拟合后的结果。
进一步，利用主动轮廓模型优化椭圆轮廓，进而得到钙化斑点的面积；
步骤4.3.1，利用snake模型在感兴趣区域附近给出一条2D参数闭合曲线，通过最小化能量泛函，让这条闭合曲线在图像中发生变形并不断逼近目标轮廓，最终演化结果被接收为目标轮廓，轮廓曲线能量函数表示为：
Figure BDA0002512765130000041
其中，Esnake(v(s))是曲线能量，v(s)是snake轮廓的参数方程，Eint是曲线的内部能量，它决定曲线的光滑度和连续性；Eext是外界给曲线的能量，它使得曲线朝着目标的特征方向移动，s是描述边界的自变量；
步骤4.3.2，使用最小二乘圆拟合方法重新拟合圆，通过所有圆上的边缘点坐标的加权函数得到圆的中心，即得到钙化斑点的中心(X,Y)，其中，
Figure BDA0002512765130000042
进而计算出钙化斑点的直径
Figure BDA0002512765130000043
其中，xi和yi分别表示钙化斑点轮廓上某一点的坐标，N为钙化斑点轮廓上点的个数；最终的得出得到钙化斑点的面积。
进一步，
所述累积校正系数k＝kh*kw*ko*kp，kh为狭窄度累积评分；kw为下肢动脉血管壁面剪应力w累积评分；ko为下肢动脉血管震荡剪切指数o累积评分；kp为下肢动脉血管壁面压力p累积评分；
下肢动脉血管狭窄度的累积计算标准为：根据下肢动脉血管的管腔面积，分为四个等级：Ⅰ、管腔直径缩小1％-25％，狭窄度累积评分kh评1分，Ⅱ、管腔直径缩小25％-50％，狭窄度累积评分kh评2分，Ⅲ、管腔直径缩小51％-75％，狭窄度累积评分kh评3分，Ⅳ、管腔直径缩小76％-100％，狭窄度累积评分kh评4分；狭窄度数据的采集方法为：采集下肢动脉在有钙化斑块段的血管狭窄度的最大值hmax和狭窄度的平均值
Figure BDA0002512765130000044
根据
Figure BDA0002512765130000045
确定该段的血管狭窄度
Figure BDA0002512765130000046
其中a、b为常系数；
下肢动脉血管壁面剪应力w累积计算标准为：动脉系统中的壁面剪应力一般为(10～70)dynes/cm2，壁面剪应力w为(0～4)dynes/cm2时累积评分kw为3分，壁面剪应力w为(5～10)dynes/cm2时累积评分kw为2分，壁面剪应力w为(11～70)dynes/cm2时累积评分kw为1分；
下肢动脉血管震荡剪切指数o累积计算标准为：指标正常范围：0～0.5，震荡剪切指数低于0.2时累积评分ko为3分，震荡剪切指数介于0.2～0.3时累积评分ko为2分，震荡剪切指数介于0.3～0.5时累积评分ko为1分；
下肢动脉血管壁面压力p累积计算标准为：指标正常范围：收缩压：90～140mmHg，舒张压：60～90mmHg；收缩压低于90mmHg、舒张压低于60mmHg累积评分kp为3分，收缩压介于90～140mmHg、舒张压介于60～90mmHg累积评分kp为2分，收缩压高于140mmHg、舒张压高于90mmHg累积评分kp为1分。
本发明的有益效果：
1、本发明所提出的基于聚类算法的下肢血管钙化指数多参数累积计算方法对下肢血管CT图像处理过程中，是先通过对下肢血管CT图像进行超像素分割，一方面可以将像素聚合在一起，构成具有形状规则和局部结构一致的多个个子区域块，实现了图像局部特征和结构信息整体表达，避免数据过多，提高处理速度，同时利用超像素降低了数据维度。另一方面，通过线性迭代聚类算法计算所以超像素区域内特征的平均值替换该区域中的像素值，可以最大限度地保留有效信息，减少噪声。
2、本发明通过Lab颜色空间提取钙化斑点所在超像素区域的亮度特征值，先是对原始图像L0逐层使用低通滤波器以及子采样操作，可以得到原始图像L0空间尺度变换的亮度强度图，可以加强图像的显著区域的边缘。再根据超像素区域内亮度最大像素点求得该超像素区域内所有像素灰度值的和，利用像素灰度值积分可以从Lab颜色空间中获得CT亮度值。
3、在提取CT图像中的钙化面积时，采用Canny算子对图像中钙化斑点进行边缘检测和轮廓提取，利用高斯滤波器对图像进行预处理了减少噪声影响；采用非极大值抑制让边缘有一个准确的响应，在正确的位置检测边缘，提高了目标的准确性。用滞后阈值处理检测来连接边缘点，去除虚假边缘，使得边缘的定位精度提高。
4、本发明采用主动轮廓模型优化椭圆轮廓，即使用snake模型，在内力和外力的作用下使得轮廓变形，外部能量吸引活动轮廓不断逼近目标轮廓，最终演化结果被接收为目标轮廓，经过snake模型曲线演化并重新拟合后的轮廓更加逼近真实轮廓。
5、本发明基于聚类算法的下肢血管钙化指数多参数累积计算方法，另辟蹊径的通过对下肢血管的CT图像处理得到的CT亮度特征值、钙化面积，结合血管流体力学研究获得的相应的累积校正系数，给出了下肢血管钙化指数的量化数值，该下肢血管钙化指数的数值能够很大程度的表征下肢血管的钙化程度，为后续的糖尿病足面临截肢的诊断风险提供数据依据，有效降低经验判断带来的误差。此外，通过对CT图像进行处理获得钙化程度，避免人为判断因素的影响，提高了准确性。
附图说明
图1是本发明方法处理流程图；
图2是划分超像素区域流程图；
图3是糖尿病患者下肢CT图像；
图4是动脉血管中膜钙化和内膜钙化示意图；
图5是动脉粥样硬化的进程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
步骤1，使用CT等检测仪器对糖尿病患者下肢进行下肢血管CT图像的采集，得到需要进行分析的下肢血管CT图像；
步骤2，本申请利用线性迭代聚类算法(SLIC)将CT图像中钙化斑点均匀的分割在每一个超像素区域内；过程如下：
步骤2.1，设原始下肢血管CT图像具有X个像素，设置初始化超像素的数目为K，对原始CT图像进行均匀分割，此时分割出的每个超像素区域都有
Figure BDA0002512765130000061
个像素；
步骤2.2，预设初始的聚类中心C和初始聚类中心C之间的间隔；
步骤2.3，基于欧几里距离搜寻聚类中心C领域内靠近C的像素点，并将这些像素点划为一类，直到将每个聚类中心C所在领域内全部的像素点都划分结束；
步骤2.4，计算K个超像素区域内所有像元的平均特征向量值，根据平均特征向量值进行下一次聚类，迭代更新聚类中心，再次迭代直到迭代结束。
步骤2.5，对完成迭代后的超像素进行分割，获得超像素区域。
步骤3，完成超像素分割后，通过Lab颜色空间提取钙化斑点所在超像素区域的亮度特征值，具体过程为：
步骤3.1，提取出Lab中的亮度通道L，表征下肢血管CT图像亮度特征
Figure BDA0002512765130000071
进而获得下肢血管CT图像的亮度图像L0，Y为的中间变量，Y0为是CIE标准定义白色的灰度值，f为矫正函数；
步骤3.2，基于L通道亮度图L0提取钙化斑点所在超像素区域的亮度特征值；
步骤3.2.1，读取L通道亮度图像L0，将L0作为原始图像，通过高斯滤波1/2下采样得到图像L1，L1＝subsample(lpfilter(L0))，其中，subsample()为下采样函数；lpfilter()为频域滤波函数，；对L0使用频域滤波和下采样操作后能够获得L0亮度强度后的图像L1，经过该处理后图像的显著区域的边缘被有效增强；
步骤3.2.2，提取亮度增强后图像L1内所有超像素区域内亮度最大像素点A(x,y)，并求得该超像素区域内所有像素灰度值的和；即：
Figure BDA0002512765130000072
其中，(x,y)为像素坐标，y∈(y1,y2)，x∈(x1,x2)，y1、y2分别是该超像素区域内y轴方向的坐标值，x1、x2分别是该超像素区域内x轴方向的坐标值，f(x,y)为(x,y)处的像素值，Py(x)为在横坐标在x处的列向量像素灰度值累加和，再通过
Figure BDA0002512765130000073
得到整个超像素区域内所有像素灰度值累加和；
步骤3.2.3，整个超像素区域内所有像素灰度值的累加和即为CT亮度值。
步骤4，提取CT图像中的钙化面积，由CT图像中可以看出，在患者下肢分布的钙化斑点呈现为外围不光滑的斑点状，因此，从图像中提取钙化面积需要进行以下处理：
步骤4.1，利用边缘检测和轮廓提取对钙化斑点处理的过程法为：
步骤4.1.1，首先，利用高斯滤波器对图像进行预处理，可以平滑图像，同时过滤噪声步骤4.1.2，使用sobel算子计算滤波后图像中每个像素点的梯度大小和方向；
步骤4.1.3，基于像素的梯度强度对比选择边缘点，当某一像素的梯度强度大于沿正负梯度方向上的另外两个像素，则保留其为边缘点，反之则抑制该像素，即将该点抑制为0；通过上述选择过程能够使边缘点产生准确的响应，提高了边缘点提取的准确性。
步骤4.1.4，设定上限阈值，将上一步得到的边缘点与上限阈值相比较，进而对边缘点进行筛选；若上限阈值小于边缘点，则保留该点并设定改点为第一个边缘点；；接着查找该点的相邻点是否大于上限阈值，重复这一个过程，并将所有大于上限阈值的点进行连接，通过滞后阈值处理可以去除虚假边缘，使得边缘的定位精度提高。
步骤4.2，对分段椭圆进行拟合的方法为：
步骤4.2.1，将上步得到的轮廓随机分为n段，n∈[8，12]，n为该范围内的偶数；
步骤4.2.2，在每一段轮廓中任意选取12个不重复的点，利用最小二乘法拟合得到n个候选椭圆；
步骤4.2.3，设置判断阈值l0，将点(xi,yi)与候选椭圆轮廓之间的距离li与判断阈值l0进行比较，若li＞l0，则丢弃改点，不记票数，若li≤l0，则保留改点，记1票，并将该点的相关参数汇总得到数据集Vi＝(xic,yic,ai,bi,θi,ni,si)，其中，候选椭圆的圆心为(xic,yic)，半长轴为ai，半短轴为bi，旋转角为θi，si代表每个段的序列号，ni为轮廓的段数；重复上述比较过程直至所有候选椭圆轮廓上的点都被比较过，将所有被保留点的M个的数据集汇总得到V＝{Vi＝(xic,yic,ai,bi,θi,ni,si)|i＝1,2,......,M}，且记票数最多被认定为候选圆确定候选圆。本发明利用分段椭圆拟合能有效降低拟合错误椭圆的概率，提高准确性。
步骤4.3，采用主动轮廓模型对椭圆轮廓进行优化，最终获得钙化斑点的面积；
步骤4.3.1，利用snake模型在感兴趣区域的附近给出一条2D参数闭合曲线，通过最小化能量泛函，让这条闭合曲线在图像中发生变形并不断逼近目标轮廓，最终演化结果被接收为目标轮廓，轮廓曲线能量函数表示为：
Figure BDA0002512765130000081
其中，Esnake(v(s))是曲线能量，v(s)是snake轮廓的参数方程，Eint是曲线的内部能量，它决定曲线的光滑度和连续性；Eext是外界给曲线的能量，它使得曲线朝着目标的特征方向移动，s是描述边界的自变量。
步骤4.3.2，使用最小二乘圆拟合方法重新拟合圆，通过所有圆上的边缘点坐标的加权函数得到圆的中心，即得到钙化斑点的中心(X,Y)，其中，
Figure BDA0002512765130000082
进而计算出钙化斑点的直径
Figure BDA0002512765130000083
其中，xi和yi分别表示钙化斑点轮廓上某一点的坐标，N为钙化斑点轮廓上点的个数；最终的得出得到钙化斑点的面积。
步骤5，将上述步骤3和步骤4分别得到的CT亮度值ρ和钙化斑点的面积S代入Cal＝k·ρ·S获得CT图像中钙化程度的判断值，其中，k为累积校正系数，钙化指数除了与CT图像的钙化斑点的面积S、钙化斑点的亮度，以及狭窄度有关联，还和壁面剪应力w、震荡剪切指数o、壁面压力p关系密切，截取钙化斑点所在区域的4cm长的血管；本发明利用累积校正系数k对钙化程度进行校正，因为在下肢动脉中的钙化类型包括内膜钙化和中膜钙化，而根据CT图像中的钙化斑点，是无法直接区分出是内膜钙化还是中膜钙化如图4和5，但是内膜钙化容易引起动脉管腔的狭窄，当动脉管腔出现血管狭窄之后，血流的动力学在狭窄段明显变化；因此在本发明中通过增加累积校正系数k对CT亮度值ρ和钙化斑点的面积S进行综合计算，进而获得更为准确的钙化程度的判断值，根据Cal＝k·ρ·S获得CT图像中钙化指数的判断值。
其中，下肢动脉钙化斑块的面积S累积计算可以通过利用分段椭圆对处理后的图像中钙化斑点进行拟合并进行优化处理得到钙化斑点的半径，进而计算出钙化斑点的面积直接获得；或者通过评分标准直接给出：由下肢动脉前壁和后壁钙化斑块面积的大小，分为四个等级：Ⅰ、无钙化，评0分；Ⅱ、钙化范围小于1/3的动脉壁长度，评1分；Ⅲ、钙化范围累及1/3～2/3的动脉壁长度，评2分；Ⅳ、钙化范围大于2/3的动脉壁长度，评3分；故进行血管分段处理，将下肢血管以小腿正中为分界线，全部分为上下两段，包括：胫后动脉近端、胫后动脉远端、胫前动脉近端、胫前动脉远端、腓动脉近端、腓动脉远端。
上述钙化斑点所在超像素区域的亮度值ρ可以直接通过聚类算法中的Lab颜色空间提取钙化斑点所在超像素区域的CT亮度特征值获得。
上述累积校正系数可以按照如下计算公式获取：k＝kh*kw*ko*kp，kh为狭窄度累积评分；kw为下肢动脉血管壁面剪应力w累积评分；ko为下肢动脉血管震荡剪切指数o累积评分；kp为下肢动脉血管壁面压力p累积评分；下面是具体的累积校正系数k的计算标准：
下肢动脉血管狭窄度的累积计算标准为：根据下肢动脉血管的管腔面积，分为四个等级：Ⅰ、管腔直径缩小1％-25％，狭窄度累积评分kh评1分，Ⅱ、管腔直径缩小25％-50％，狭窄度累积评分kh评2分，Ⅲ、管腔直径缩小51％-75％，狭窄度累积评分kh评3分，Ⅳ、管腔直径缩小76％-100％，狭窄度累积评分kh评4分；狭窄度数据的采集方法为：采集下肢动脉在有钙化斑块段的血管狭窄度的最大值hmax和狭窄度的平均值
Figure BDA0002512765130000091
根据
Figure BDA0002512765130000092
确定该段的血管狭窄度
Figure BDA0002512765130000093
其中a、b为常系数。
下肢动脉血管壁面剪应力w累积计算标准为：动脉系统中的壁面剪应力一般为(10～70)dynes/cm2，壁面剪应力w为(0～4)dynes/cm2时累积评分kw为3分，壁面剪应力w为(5～10)dynes/cm2时累积评分kw为2分，壁面剪应力w为(11～70)dynes/cm2时累积评分kw为1分。
下肢动脉血管震荡剪切指数o累积计算标准为：指标正常范围：0～0.5，震荡剪切指数低于0.2时累积评分ko为3分，震荡剪切指数介于0.2～0.3时累积评分ko为2分，震荡剪切指数介于0.3～0.5时累积评分ko为1分。
下肢动脉血管壁面压力p累积计算标准为：指标正常范围：收缩压：90～140mmHg，舒张压：60～90mmHg；收缩压低于90mmHg、舒张压低于60mmHg累积评分kp为3分，收缩压介于90～140mmHg、舒张压介于60～90mmHg累积评分kp为2分，收缩压高于140mmHg、舒张压高于90mmHg累积评分kp为1分。
本发明的基于聚类算法的下肢血管钙化指数多参数累积计算方法，直接目的并不能获得糖尿病足疾病的诊断结果或健康状况，而只是从活的人体获取作为中间结果的信息的方法，为糖尿病足的疾病诊断提供中间数据支撑，不属于疾病诊断的范畴。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (7)

1.基于聚类算法的下肢血管钙化指数多参数累积计算方法，其特征在于，包括如下步骤：
步骤1，采集待分析的下肢血管CT图像；
步骤2，使用线性迭代聚类算法将CT图像中钙化斑点均匀的分割在每一个超像素区域内；
步骤3，完成超像素分割后，通过Lab颜色空间提取钙化斑点所在超像素区域的CT亮度特征值；
步骤4，对CT图像中的钙化斑点进行边缘检测和轮廓提取，利用分段椭圆对处理后的图像中钙化斑点进行拟合并进行优化处理得到钙化斑点的半径，进而计算出钙化斑点的面积；
步骤5，根据Cal＝k·ρ·S获得CT图像中钙化程度的判断值，其中，ρ为CT亮度特征值，S为钙化斑点的面积，k为累积校正系数；
所述累积校正系数k＝kh*kw*ko*kp，其中，kh为狭窄度累积评分；kw为下肢动脉血管壁面剪应力w累积评分；ko为下肢动脉血管震荡剪切指数o累积评分；kp为下肢动脉血管壁面压力p累积评分；
下肢动脉血管狭窄度的累积计算标准为：根据下肢动脉血管的管腔面积，分为四个等级：Ⅰ、管腔直径缩小1％-25％，狭窄度累积评分kh评1分，Ⅱ、管腔直径缩小25％-50％，狭窄度累积评分kh评2分，Ⅲ、管腔直径缩小51％-75％，狭窄度累积评分kh评3分，Ⅳ、管腔直径缩小76％-100％，狭窄度累积评分kh评4分；狭窄度数据的采集方法为：采集下肢动脉在有钙化斑块段的血管狭窄度的最大值hmax和狭窄度的平均值
Figure FDA0002834313820000011
根据
Figure FDA0002834313820000012
确定该段的血管狭窄度
Figure FDA0002834313820000013
其中a、b为常系数；
下肢动脉血管壁面剪应力w累积计算标准为：动脉系统中的壁面剪应力一般为10～70dynes/cm2，壁面剪应力w为0～4dynes/cm2时累积评分kw为3分，壁面剪应力w为5～10dynes/cm2时累积评分kw为2分，壁面剪应力w为11～70dynes/cm2时累积评分kw为1分；
下肢动脉血管震荡剪切指数o累积计算标准为：指标正常范围：0～0.5，震荡剪切指数低于0.2时累积评分ko为3分，震荡剪切指数介于0.2～0.3时累积评分ko为2分，震荡剪切指数介于0.3～0.5时累积评分ko为1分；
下肢动脉血管壁面压力p累积计算标准为：指标正常范围：收缩压：90～140mmHg，舒张压：60～90mmHg；收缩压低于90mmHg、舒张压低于60mmHg累积评分kp为3分，收缩压介于90～140mmHg、舒张压介于60～90mmHg累积评分kp为2分，收缩压高于140mmHg、舒张压高于90mmHg累积评分kp为1分。
2.根据权利要求1所述的基于聚类算法的下肢血管钙化指数多参数累积计算方法，其特征在于，所述步骤2将CT图像进行超像素分割的方法为：
步骤2.1，对所采集的原始下肢血管CT图像进行均匀的超像素分割，设原始下肢血管CT图像中的像素共有X个，原始下肢血管CT图像被分割成K个，则每个超像素都有
Figure FDA0002834313820000021
个像素；
步骤2.2，预设初始的聚类中心C和初始聚类中心C之间的间隔；
步骤2.3，基于欧几里距离搜寻聚类中心C领域内靠近C的像素点，并将这些像素点划为一类；
步骤2.4，计算K个超像素区域内所有像元的平均特征向量值，根据平均特征向量值进行下一次聚类，迭代更新聚类中心，再次迭代直到迭代结束；
步骤2.5，对完成迭代后的超像素进行分割，获得超像素区域。
3.根据权利要求1所述的基于聚类算法的下肢血管钙化指数多参数累积计算方法，其特征在于，所述步骤3中提取钙化斑点所在超像素区域的亮度特征值的方法为：
步骤3.1，提取出Lab中的亮度通道L，表征下肢血管CT图像亮度特征
Figure FDA0002834313820000022
进而获得下肢血管CT图像的亮度图像L0，Y为的中间变量，Y0为是CIE标准定义白色的灰度值，f为矫正函数；
步骤3.2，基于亮度通道L的亮度图L0提取钙化斑点所在超像素区域的亮度特征值。
4.根据权利要求3所述的基于聚类算法的下肢血管钙化指数多参数累积计算方法，其特征在于，步骤3.2提取亮度特征值的过程为：
步骤3.2.1，使用高斯滤波1/2下采样对L0进行处理后得到图像L1，L1＝subsample(lpfilter(L0))，其中，subsample()为下采样函数，lpfilter()为频域滤波函数；
步骤3.2.2，提取经高斯滤波后的超像素区域内亮度最大像素点A(x,y)，并求得该超像素区域内所有像素灰度值的和
Figure FDA0002834313820000031
其中，(x,y)为像素坐标，y∈(y1,y2)，x∈(x1,x2)，y1、y2分别是该超像素区域内y轴方向的坐标值，x1、x2分别是该超像素区域内x轴方向的坐标值，f(x,y)为(x,y)处的像素值，Py(x)为在横坐标在x处的列向量像素灰度值累加和，再通过
Figure FDA0002834313820000032
得到整个超像素区域内所有像素灰度值累加和；
步骤3.2.3，整个超像素区域内所有像素灰度值的累加和即为CT亮度值。
5.根据权利要求1所述的基于聚类算法的下肢血管钙化指数多参数累积计算方法，其特征在于，利用边缘检测和轮廓提取对钙化斑点处理的过程法为：
步骤4.1.1，利用高斯滤波器对图像进行预处理；
步骤4.1.2，使用sobel算子计算滤波后图像中每个像素点的梯度大小和方向；
步骤4.1.3，基于像素的梯度强度对比选择边缘点，当某一像素的梯度强度大于沿正负梯度方向上的另外两个像素，则保留其为边缘点，反之则抑制该像素；
步骤4.1.4，将上一步得到的边缘点与上限阈值相比较，进而对边缘点进行筛选；若上限阈值小于边缘点，则保留该点并设定该点为第一个边缘点；接着查找该点的相邻点是否小于上限阈值，重复这一个过程，并将所有大于上限阈值的点进行连接。
6.根据权利要求5所述的基于聚类算法的下肢血管钙化指数多参数累积计算方法，其特征在于，所述分段椭圆进行拟合的方法为：
步骤4.2.1，将得到的轮廓随机分为n段；
步骤4.2.2，在每一段轮廓中任意选取12个不重复的点，利用最小二乘法拟合得到n个候选椭圆；
步骤4.2.3，设置判断阈值l0，将点(xi,yi)与候选椭圆轮廓之间的距离li与判断阈值l0进行比较，若li＞l0，则丢弃该点，不记票数，若li≤l0，则保留该点，记1票，并将该点的相关参数汇总得到数据集Vi＝(xic,yic,ai,bi,θi,ni,si)，其中，候选椭圆的圆心为(xic,yic)，半长轴为ai，半短轴为bi，旋转角为θi，si代表每个段的序列号，ni为轮廓的段数；重复步骤4.2.3中的比较过程，直至所有候选椭圆轮廓上的点都被比较过，将所有被保留的M个点的数据集汇总得到V＝{Vi＝(xic,yic,ai,bi,θi,ni,si)|i＝1,2,......,M}，且记票数最多被认定为候选圆。
7.根据权利要求6所述的基于聚类算法的下肢血管钙化指数多参数累积计算方法，其特征在于，步骤4.3.1，利用snake模型在感兴趣区域附近给出一条2D参数闭合曲线，通过最小化能量泛函，让这条闭合曲线在图像中发生变形并不断逼近目标轮廓，最终演化结果被接收为目标轮廓，轮廓曲线能量函数表示为：
Figure FDA0002834313820000041
其中，Esnake(v(s))是曲线能量，v(s)是snake轮廓的参数方程，Eint是曲线的内部能量，它决定曲线的光滑度和连续性；Eext是外界给曲线的能量，它使得曲线朝着目标的特征方向移动，s是描述边界的自变量；
步骤4.3.2，使用最小二乘圆拟合方法重新拟合圆，通过所有圆上的边缘点坐标的加权函数得到圆的中心，即得到钙化斑点的中心(X,Y)，其中，
Figure FDA0002834313820000042
进而计算出钙化斑点的直径
Figure FDA0002834313820000043
其中，xi和yi分别表示钙化斑点轮廓上某一点的坐标，N为钙化斑点轮廓上点的个数；最终的得出得到钙化斑点的面积。
CN202010466288.7A 2020-05-28 2020-05-28 基于聚类算法的下肢血管钙化指数多参数累积计算方法 Active CN111667467B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010466288.7A CN111667467B (zh) 2020-05-28 2020-05-28 基于聚类算法的下肢血管钙化指数多参数累积计算方法
US17/432,094 US11557072B2 (en) 2020-05-28 2021-05-19 Clustering algorithm-based multi-parameter cumulative calculation method for lower limb vascular calcification indexes
PCT/CN2021/094611 WO2021238739A1 (zh) 2020-05-28 2021-05-19 基于聚类算法的下肢血管钙化指数多参数累积计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010466288.7A CN111667467B (zh) 2020-05-28 2020-05-28 基于聚类算法的下肢血管钙化指数多参数累积计算方法

Publications (2)

Publication Number Publication Date
CN111667467A CN111667467A (zh) 2020-09-15
CN111667467B true CN111667467B (zh) 2021-01-26

Family

ID=72384885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010466288.7A Active CN111667467B (zh) 2020-05-28 2020-05-28 基于聚类算法的下肢血管钙化指数多参数累积计算方法

Country Status (3)

Country Link
US (1) US11557072B2 (zh)
CN (1) CN111667467B (zh)
WO (1) WO2021238739A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667467B (zh) 2020-05-28 2021-01-26 江苏大学附属医院 基于聚类算法的下肢血管钙化指数多参数累积计算方法
CN112489806B (zh) * 2020-11-27 2022-02-15 南通市第一人民医院 一种糖尿病足患者病状信息智能化管理方法及系统
CN114366164B (zh) * 2022-01-18 2024-05-03 河南科技大学 一种动脉粥样硬化斑块超声定量评价与风险评估方法
CN115029704B (zh) * 2022-08-09 2022-12-09 江苏贯森新材料科技有限公司 一种用于不锈钢酸洗工艺的智能控制方法及装置
CN115393318A (zh) * 2022-08-25 2022-11-25 朗天药业(湖北)有限公司 一种血塞通滴丸外观质量检测方法及系统
CN116109662B (zh) * 2023-04-13 2023-06-23 中国科学院国家空间科学中心 一种红外图像的超像素分割方法
CN117237389B (zh) * 2023-11-14 2024-01-19 深圳市亿康医疗技术有限公司 一种中耳胆脂瘤ct影像分割方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110021016A (zh) * 2019-04-01 2019-07-16 数坤（北京）网络科技有限公司 一种钙化检测方法
CN110767311A (zh) * 2019-09-19 2020-02-07 江苏大学附属医院 一种糖尿病足下肢动脉钙化斑块图像的辅助评价装置及方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4748059B2 (ja) * 2004-06-10 2011-08-17 学校法人 久留米大学 医用画像処理システム
US20080044070A1 (en) * 2006-08-16 2008-02-21 Fuji Photo Film Co., Ltd. Abnormal mass candidate detecting apparatus, method and computer-readable medium
CN103337096B (zh) * 2013-07-19 2015-09-09 东南大学 一种冠状动脉ct造影图像钙化点检测方法
CN103745227A (zh) * 2013-12-31 2014-04-23 沈阳航空航天大学 一种基于多维信息的肺结节良恶性鉴别方法
CN106447645B (zh) * 2016-04-05 2019-10-15 天津大学 增强ct图像中冠脉钙化检测及量化装置和方法
IL298488B1 (en) * 2016-09-23 2024-04-01 Curemetrix Inc Mapping breast artery calcification and prediction of heart disease
CN111667467B (zh) * 2020-05-28 2021-01-26 江苏大学附属医院 基于聚类算法的下肢血管钙化指数多参数累积计算方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110021016A (zh) * 2019-04-01 2019-07-16 数坤（北京）网络科技有限公司 一种钙化检测方法
CN110767311A (zh) * 2019-09-19 2020-02-07 江苏大学附属医院 一种糖尿病足下肢动脉钙化斑块图像的辅助评价装置及方法

Also Published As

Publication number Publication date
US11557072B2 (en) 2023-01-17
CN111667467A (zh) 2020-09-15
US20220148237A1 (en) 2022-05-12
WO2021238739A1 (zh) 2021-12-02

Similar Documents

Publication Publication Date Title
CN111667467B (zh) 基于聚类算法的下肢血管钙化指数多参数累积计算方法
Loizou A review of ultrasound common carotid artery image and video segmentation techniques
Liu et al. Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window
CN110448319B (zh) 基于造影影像及冠状动脉的血流速度计算方法
US20130016092A1 (en) Method and system of generating a 3d visualization from 2d images
SG188879A1 (en) A method and system of segmenting ct scan data
CN113420826B (zh) 一种肝脏病灶图像处理系统及图像处理方法
CN116993628B (zh) 一种用于肿瘤射频消融引导的ct图像增强系统
CN117422628A (zh) 一种心脏血管超声检查数据优化增强方法
Khasana et al. Segmentation of breast using ultrasound image for detection breast cancer
Suresh et al. Kidney stone detection using digital image processing techniques
CN112562058B (zh) 一种基于迁移学习的颅内血管模拟三维模型快速建立方法
CN111640127B (zh) 一种用于骨科的精准临床诊断导航方法
Wulaning Ayu et al. Pixel Classification Based on Local Gray Level Rectangle Window Sampling for Amniotic Fluid Segmentation.
CN116309647B (zh) 颅脑病灶图像分割模型构建方法、图像分割方法及设备
CN114764809A (zh) 肺部ct密度增高影的自适应阈值分割方法和装置
CN111223090A (zh) 人体肺部ct图像中肿瘤图像的识别系统
Wong-od et al. Automated segmentation of media-adventitia and lumen from intravascular ultrasound images using non-parametric thresholding
CN108921860B (zh) 一种前列腺磁共振图像全自动分割方法
Mi et al. Detecting carotid intima-media from small-sample ultrasound images
LU102573B1 (en) Clustering Algorithm-based Multi-parameter Cumulative Calculation Method for Lower Limb Vascular Calcification Indexes
Bouma et al. Evaluation of segmentation algorithms for intravascular ultrasound images
JP2022052210A (ja) 情報処理装置、情報処理方法及びプログラム
CN117974692B (zh) 一种基于区域生长的眼科医学影像处理方法
Wong-od et al. Intravascular ultrasound image recovery and segmentation based on circular analysis

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