CN112308846B - 血管分割方法、装置及电子设备 - Google Patents

血管分割方法、装置及电子设备 Download PDF

Info

Publication number
CN112308846B
CN112308846B CN202011215521.0A CN202011215521A CN112308846B CN 112308846 B CN112308846 B CN 112308846B CN 202011215521 A CN202011215521 A CN 202011215521A CN 112308846 B CN112308846 B CN 112308846B
Authority
CN
China
Prior art keywords
blood vessel
pixel points
preset
vessel
point
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
CN202011215521.0A
Other languages
English (en)
Other versions
CN112308846A (zh
Inventor
马双
孙奇
黄艳
袁玉亮
吴岩君
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.)
Sanuo Weisheng medical technology (Yangzhou) Co.,Ltd.
Original Assignee
Sinovision Technology Beijing 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 Sinovision Technology Beijing Co ltd filed Critical Sinovision Technology Beijing Co ltd
Priority to CN202011215521.0A priority Critical patent/CN112308846B/zh
Publication of CN112308846A publication Critical patent/CN112308846A/zh
Application granted granted Critical
Publication of CN112308846B publication Critical patent/CN112308846B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种血管分割方法、装置及电子设备，其中，该方法包括：获取目标区域，所述目标区域包括待分割区域；基于预设血管模型和模糊聚类算法确定血管候选像素点；根据所述血管候选像素点提取第一血管；基于所述第一血管提取第二血管，其中，所述第一血管的密度大于所述第二血管的密度；合并所述第一血管和所述第二血管得到血管分割结果。可以有效的减少其他与血管特征相近的组织对血管的分割产生的影响，并且，可以有效的减少血管自身特征对血管分割的影响。提升血管分割的精度。

Description

血管分割方法、装置及电子设备
技术领域
本申请涉及医疗图像技术领域，尤其涉及一种血管分割方法、装置及电子设备。
背景技术
由于人体血管结构的复杂以及全球人口老龄化的问题，血管疾病的种类繁多，血管疾病的发病率也逐年增长。多排螺旋CT血管增强扫描(CTA)检查作为一种简单、快速、无创及安全的手段，广泛应用于血管疾病诊断。从CTA胸腹数据中分离并提取出血管结构，可以辅助医生观察部血管结构，诊断部血管疾病和设定外科手术计划。
对于结构复杂部位的血管，由于其结构复杂，对于精确分割带来了巨大的挑战，例如胸腹血管，胸腹血管具有非常复杂的结构，血管分枝众多，血管的尺度变化非常广(同时存在很粗的血管和很细的血管)，胸腹血管周围邻近区域还存在灰度值与之类似的骨头。此外，胸腹部CTA数据还存在本身成像方面的细小血管对比度低，血管灰度不均匀的特点。这些都为胸腹部血管的精确分割带来了巨大的挑战。
近年来，很多的学者都聚焦在血管分割这个研究热点问题上，提出了很多的算法。最简单的方法是仅考虑周围邻域灰度值信息的区域生长方法，这种方法在血管对比度高的数据上会得到很好的结果，但是在对比度低和灰度不均匀的情况下，效果不好。针对以上两个问题，大部分学者应用对原始数据进行增强或生长过程中结合血管信息的方法，以求得到更好的结果。
其中血管模型就是解决血管数据对比度低和灰度不均匀的一种方法。血管模型的方法会对固定尺寸的血管有个很好地响应，可以有效地增强图像中的血管信息。现在学者们提出了很多效果比较好的血管模型，如基于一阶导数的中值滤波，基于二阶导数的Hessian滤波。血管模型将符合血管模型特征的低对比度血管以及灰度不均匀的血管，统一到值域在[0,1]之间的血管分布图像上。经过血管模型增强后的计算结果越接近1，是该尺寸血管的可能性越大，越接近0，是该尺寸血管可能性越小。由于血管模型通常是管状模型，所以在血管分支处增强效果不甚理想。更严重的问题是血管模型不可避免的也会对结构类似的非血管结构进行增强，尤其是骨头的边界处往往也会得到高响应。
血管追踪的方法是一种结合血管模型的典型方法。追踪的方法起始于某个初始点，分析追踪方向上的像素点检测血管的中心点和半径参数，从而分割血管。对细小血管的追踪通常是假定血管近似于一个线性的管状模型，对比较粗的血管通常是假定血管横断面近似为一个椭圆形。O.Friman为了解决追踪血管分叉和血管低对比度的问题，提出了多假设血管追踪方法，建立搜索树(searching tree)来找寻更多的血管路径。但是该方法仅适用在细小血管上，在半径较大的血管上效果不甚理想。总体而言，追踪的方法在血管尺寸变化不大及血管分枝结构简单的图像上会得到很好的分割结果。在同时包含粗血管和细小血管，血管分枝众多的图像上分割结果不理想。
将血管形状约束结合在前向传播，曲线演化和水平集方法中，也被越来越多的学者采用。这些方法的生长受形状因子所控制。T.Deschamps和L.Cohen在fast-marching生长的过程中结合了血管形状因子，可以有效地控制物体的生长过程。这种方法可以有效地减轻一些生长泄露问题，也可以有效的分割出部分低对比度血管。但是由于细小血管的高曲率和不规则性不符合他们所提的血管形状因子，所以在细小血管分割上可能会遇到问题。
因此，如何对于结构复杂的血管进行精确分割成为亟待解决的技术问题。
发明内容
本申请提供了一种血管分割方法、装置及电子设备，以解决相关技术中难以对于结构复杂的血管进行精确分割的技术问题。
根据本申请实施例的一个方面，提供了一种血管分割方法，包括：获取目标区域，所述目标区域包括待分割区域；基于预设血管模型和模糊聚类算法确定血管候选像素点；根据所述血管候选像素点提取第一血管；基于所述第一血管提取第二血管，其中，所述第一血管的密度大于所述第二血管的密度；合并所述第一血管和所述第二血管得到血管分割结果。
可选地，所述获取目标区域包括：读取待分割区域的医学影像数据；对所述医学影像数据的非背景部分进行标记；在所述非背景部分选取目标区域种子点；基于所述目标区域种子点进行三维26邻域区域生长得到所述目标区域。
可选地，所述医学影像数据包括多层医学影像图像；所述对所述医学影像数据的非背景部分进行标记包括：基于每一层医学影像图像的边界点进行背景部分区域生长；应用第一预设结构元素对区域生长后的背景部分进行膨胀；基于膨胀结果标记非背景部分。
可选地，所述基于预设血管模型和模糊聚类算法确定血管候选像素点包括：基于预设血管模型计算所述目标区域内的类血管像素点，所述预设血管模型基于Hessian矩阵的特征值和特征方向构建；利用模糊均值算法计算所述目标区域内的多个生物组织的中心灰度和所述类血管像素点相对于所述生物组织的隶属度；基于所述中心灰度和所述类血管像素点的灰度计算所述类血管像素点相对于所述生物组织的隶属度；基于所述隶属度对所述类血管像素进行分类得到所述血管候选像素点。
可选地，所述基于预设血管模型计算所述目标区域的类血管像素点包括：基于上述预设血管模型进行血管相似度计算，得到符合血管结构的像素点；对所述符合血管结构的像素点进行灰度增强得到所述类血管像素点。
可选地，所述基于所述血管候选像素点提取第一血管包括：应用预设结构元素对所述血管候选像素点进行腐蚀，得到腐蚀后的血管像素点，所述预设结构元素表示以原点和原点周围的26邻域构成的结构体；计算所述腐蚀后的血管像素点的连通区域的中心点作为血管种子点；基于所述血管种子点以腐蚀后的血管像素点为生长条件进行三维26邻域区域生长，得到所述第一血管。
可选地，所述基于所述血管候选像素点提取第一血管包括：统计所述第一血管的像素点的灰度值的标准差和平均值；将所述第一血管的像素点作为第二血管的种子点以预设生长条件进行三维26邻域区域生长，得到第二血管，所述预设生长条件为灰度范围为平均值±标准差且除所述第一血管的像素点之外的其他血管候选像素点。
根据第二方面，本申请实施例提供了一种血管分割装置，包括：获取模块，用于获取目标区域，所述目标区域包括待分割区域；确定模块，用于基于预设血管模型和模糊聚类算法确定血管候选像素点；第一提取模块，用于根据所述血管候选像素点提取第一血管；第二提取模块，用于基于所述第一血管提取第二血管，其中，所述第一血管的密度大于所述第二血管的密度；合并模块，用于合并所述第一血管和所述第二血管得到血管分割结果。
根据第三方面，本申请实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，所述存储器，用于存储计算机程序；所述处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行上述第一方面中任一项所述的血管分割方法步骤。
根据第四方面，本申请实施例提供了一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述第一方面中任一项中所述的血管分割方法步骤。
在本申请实施例中，采用获取目标区域，所述目标区域包括待分割区域；基于预设血管模型和模糊聚类算法确定血管候选像素点；根据所述血管候选像素点提取第一血管；基于所述第一血管提取第二血管，其中，所述第一血管的密度大于所述第二血管的密度；合并所述第一血管和所述第二血管得到血管分割结果。可以有效的减少其他与血管特征相近的组织对血管的分割产生的影响，并且，可以有效的减少血管自身特征对血管分割的影响。提升血管分割的精度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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是根据本发明实施例的一种可选的血管分割方法的硬件环境的示意图；
图2是根据本申请实施例的一种可选的血管分割方法的流程示意图；
图3是根据本申请实施例的一种可选的血管分割中第一血管分割结果的示意图；
图4是根据本申请实施例的另一种可选的血管分割中第二血管分割结果的示意图；
图5是根据本申请实施例的另一种可选的血管分割中血管分割结果的示意图；
图6是根据本申请实施例的一种可选的血管分割装置的结构框图；
图7是根据本申请实施例的一种可选的电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面对本申请实施例中的专业术语进行介绍：
CTA是CT血管造影(CT angiography)的简称，静脉注射造影剂后行螺旋CT扫描，三维重建时去掉皮肤、肌肉、骨骼等不需要显示的结构，只显示三维的血管结构和内脏结构。
参见图1，本申请提出了一种血管分割方法，可选地，在本实施例中，上述血管分割方法可以应用于如图1所示的由终端102和服务器104所构成的硬件环境中。如图1所示，服务器104通过网络与终端102进行连接，可用于为终端或终端上安装的客户端提供服务(如游戏服务、应用服务等)，可在服务器上或独立于服务器设置数据库，用于为服务器104提供数据存储服务，还可以用于处理云服务，上述网络包括但不限于：广域网、城域网或局域网，终端102并不限定于PC、手机、平板电脑等。本申请实施例的血管分割方法可以由服务器104来执行，也可以由终端102来执行，还可以是由服务器104和终端102共同执行。其中，终端102执行本申请实施例的血管分割方法也可以是由安装在其上的客户端来执行。
以由服务器104来执行本实施例中的血管分割方法为例，图2是根据本申请实施例的一种可选的血管分割方法的流程示意图，如图2所示，该方法的流程可以包括以下步骤：
步骤S202，获取目标区域，所述目标区域包括待分割区域。
步骤S204，基于预设血管模型和模糊聚类算法确定血管候选像素点。
步骤S206，根据所述血管候选像素点提取第一血管。
步骤S208，基于所述第一血管提取第二血管，其中，所述第一血管的密度大于所述第二血管的密度。
步骤S210，合并所述第一血管和所述第二血管得到血管分割结果。
通过上述步骤S202至步骤S210，获取目标区域，所述目标区域包括待分割区域；基于预设血管模型和模糊聚类算法确定血管候选像素点；根据所述血管候选像素点提取第一血管；基于所述第一血管提取第二血管，其中，所述第一血管的密度大于所述第二血管的密度；合并所述第一血管和所述第二血管得到血管分割结果。可以有效的减少其他与血管特征相近的组织对血管的分割产生的影响，并且，可以有效的减少血管自身特征对血管分割的影响。提升血管分割的精度。
在步骤S202的技术方案中，作为示例性的实施例，可以以分割胸腹部位的血管为例进行说明，所称的待分割区域可以包括CTA影像图像中包含胸腹部位血管的区域。所称的目标区域可以包括血管以及与血管相似的软组织和骨骼。示例性的，可以对CTA胸腹数据进行去除除身体部分之外的背景的预处理得到。
示例性的，对于CTA胸腹数据的预处理可以读取待分割区域的医学影像数据；对所述医学影像数据的非背景部分进行标记；在所述非背景部分选取目标区域种子点；基于所述目标区域种子点进行三维26邻域区域生长得到所述目标区域。具体的，对所述医学影像数据的非背景部分进行标记包括：基于每一层医学影像图像的边界点进行背景部分区域生长；应用第一预设结构元素对区域生长后的背景部分进行膨胀；基于膨胀结果标记非背景部分。
下面将对于CTA胸腹数据的预处理进行详细的介绍：
读取CTA胸腹数据，获取该数据的尺寸X*Y*Z。X，Y，Z分别表示该组织数据的最大行坐标，最大列坐标和最大纵坐标。其中，CTA胸腹数据包括多层医学影像图像。遍历数据每一层，取每层图像四个边界处的点作为种子点进行背景部分区域生长。在本实施例中，可以采用8邻域2维区域生长，其中生长的经验阈值可以采用-200HU(Hounsfield Unit，HU)。背景部分应用结构体Stball＝2(x)进行膨胀。Stball＝2(x)是原点为x，球半径为2的球结构。在0.5Z层内寻找目标种子点，统计当前Z层标记为非背景部分的8邻接连通区域。找到面积最大的连通区域，若生长的区域的面积大于80mm*80mm，计算该区域的中心点，作为目标区域种子点，记为BodyPt。以BodyPt点为种子点，三维26邻域区域生长，生长条件为非背景部分，生长出的区域标记为目标区域，其目标区域中的像素点可以定义为Ipre。
在步骤S204的技术方案中，在得到目标区域后，由于软组织、骨骼和血管的形状、密度可能较为相似，因此，目标区域中可能至少存在软组织数据(低密度)，血管数据(中密度数据)和骨骼数据(高密度数据)三类数据，由于胸腹CTA数据中细小血管的密度较低，会与软组织数据密度有交叉，容易造成分类错误。在本申请中，采用预设血管模型和模糊聚类算法确定血管候选像素点。在本实施例中，可以先基于预设血管模型预测与血管像素类似的像素点，再基于模糊聚类将血管像素类似进行聚类得到属于软组织、骨骼和血管分类的像素点。具体的，可以基于预设血管模型计算所述目标区域内的类血管像素点Iepre，所述预设血管模型基于Hessian矩阵的特征值和特征方向构建。具体的，可以基于血管增强模型进行血管相似度计算，得到符合血管结构的像素点；对所述符合血管结构的像素点进行灰度增强得到所述类血管像素点。作为示例性的实施例，Hessian矩阵的特征值和特征方向被很多学者应用构造血管模型。Hessian矩阵的特征值λ1、λ2、λ3(|λ1|≤|λ2|≤|λ3|)和相应的特征向量
Figure BDA0002760238600000091
可以表示像素的局部结构信息。典型的管状结构，
Figure BDA0002760238600000092
表示血管方向，
Figure BDA0002760238600000093
表示的平面与血管方向
Figure BDA0002760238600000094
正交，特征值λ1、λ2、λ3满足如下关系：
|λ1|≈0；|λ1|＜＜|λ2|；λ2≈λa
具体的预设血管模型，如下所示：
Figure BDA0002760238600000095
其中，
Figure BDA0002760238600000096
α，β，c分别为控制管状结构滤波中RA，RB，S的敏感度参数。v0(λ)的取值为(0，1)，只有当像素点在局部结构为管状结构时，v0(λ)最大，为其他局部结构时v0(λ)接近0。对Ipre中灰度值在80HU到250HU的像素点，应用血管相似度计算公式(2)，血管灰度值增强公式(3)进行计算，得到类血管像素点Iepre。
Figure BDA0002760238600000101
在得到类血管像素点之后，可以利用模糊均值算法计算所述目标区域内的多个生物组织的中心灰度和所述类血管像素点相对于所述生物组织的隶属度；基于所述中心灰度和所述类血管像素点的灰度计算所述类血管像素点相对于所述生物组织的隶属度；基于所述隶属度对所述类血管像素进行分类得到所述血管候选像素点。具体的，可以采用模糊C均值算法对类血管像素点进行划分，具体的，模糊C均值算法(Fuzzy c-Means Algorithm,FCM)的目标函数如式(4)所示。目的是寻求合适的隶属度μ和中心点υ，使其最小化
Figure BDA0002760238600000102
式中，Ω是图像全部像素点的集合(总像素数n)，μjk是第j个像素点属于第k类组织的隶属度，满足约束条件
Figure BDA0002760238600000103
xj是第j个像素点的灰度值，vk是第k组织的中心灰度。C为组织类别数。参数m是隶属度的模糊加权指数，因此又称为平滑因子，它决定分类结果的模糊程度。m越小，模糊的程度就越小。由于m控制隶属度在各类之间共享的程度，所以m越大，模糊性就越大。引入模糊加权指数m的含义是：如果不对隶属度进行加权，则从硬聚类目标函数扩展到模糊聚类目标函数就没有什么实际意义。一般m>1，典型值m取2。
为使JFCM最小化，取其对μjk和vk的导数，并令导数为零。代入条件(5)
Figure BDA0002760238600000104
可以求得
Figure BDA0002760238600000111
当某一个像素的灰度值靠近某类中心点灰度时，该像素点被赋予属于此类较高的隶属度，当灰度值远离某类中心点灰度值时则被赋予较低的隶属度。通过将某类隶属度高的像素归于相应的类别中，可获得较为清晰的分类结果。实际应用中，式(6)和式(7)是反复迭代求解的，具体的模糊C均值算法如下。
应用FCM算法对类血管像素点Iepre进行3类目标聚类算法。
具体流程如下：
1：给定具体类别数3，模糊加权指数m，允许误差ξmax的值，令迭代计数变量p＝1；
2：初始化聚类中心：vk(1)，k＝1，2，3；
3：按式(6)计算隶属度μki，μki表示第k个像素属于第i类的隶属度i＝1，2，…，c；k＝1，2，…，n；
4：按式(7)修正所有的聚类中心vi(p+1)，i＝1，2，…，c；
5：计算误差
Figure BDA0002760238600000112
6：如果ξ＜ξmax，则算法结束；否则p＝p+1，转向步骤3。
初始聚类中心灰度值分别为100HU，300HU，500HU。经过迭代计算，更新聚类中心分别为v1，v2，v3。
Figure BDA0002760238600000113
Figure BDA0002760238600000114
此时，类血管像素点Iepre中像素点灰度值小于vesselmin的点定义为软组织像素点Ist，Iepre中像素点灰度值位于vesselmin和vesselmax中的点定义为血管候选像素点ISvessel，Iepre中像素点灰度值大于vesselmax的点定义为骨骼像素点Ibone。
在步骤S206中参见图3所示，在得到血管候选像素点ISvessel之后，可以提取第一血管，具体的第一血管可以为大血管，在本实施例中，大血管可以基于血管的大小、密度等进行划分，具体的划分规则可以依据实际情况而定。示例性的，由于在CTA数据中，图像中像素的灰度与密度相关，因此可以基于密度对大血管进行划分。在本实施例中，可以应用预设结构元素对所述血管候选像素点进行腐蚀，得到腐蚀后的血管像素点，所述预设结构元素表示以原点和原点周围的26邻域构成的结构体；计算所述腐蚀后的血管像素点的连通区域的中心点作为血管种子点；基于所述血管种子点以腐蚀后的血管像素点为生长条件进行三维26邻域区域生长，得到所述第一血管。
具体的，对于对血管候选像素点的腐蚀可以应用结构元素St26(x)对ISvessel进行腐蚀。St26(x)表示以原点x和其周围的26邻域构成的结构体，得到的腐蚀后的血管像素点可以表示为IeSvessel。
对于血管种子点的计算可以采用如下步骤：
(1)在0.5Z到0.75Z的图像之间，找寻血管种子点Seed。初始层S＝0.5Z，即初始计算血管种子点的图像可以为的CTA数据中的S层。
(2)统计IeSvessel中当前层S内所有连通区域。根据胸腹大血管通常半径比较大，且近似圆形的经验知识，我们对连通区域进行x轴长度计算Length(x)，y轴长度计算Length(y)，连通区域面积计算Area；
长度比计算
Figure BDA0002760238600000121
面积比计算
Figure BDA0002760238600000131
对连通域进行如下条件的判定：
Figure BDA0002760238600000132
如果同时满足上面的判定条件，则认为该层数据中存在真实的血管区域。进行(3)操作，反之则S＝S+1，若S≥0.5Z&&S≤0.75Z，继续执行(2)，若不符合则停止算法。
(3)对符合上述条件判断的连通区域，进行圆形度计算CM。当表示圆形区域时，CM＝1。当区域是细条长或者形状较为复杂时，CM相对较小。
Figure BDA0002760238600000133
C表示该连通区域周长，找寻到具有最高CM值的连通区域，定义该区域是真实的血管区域并表示为NB(Seed)，并计算该区域的中心点作为Seed。
对于第一血管生长可以采用以Seed为种子点，三维26领域区域生长，生长条件为IeSvessel，生长的区域应用结构体St26(x)进行膨胀操作并将其表示Ilargevessel。St26(x)表示以原点x和其周围的26邻域构成的结构体。
对于步骤S208，参见图4所示，第二血管可以为细小血管，对于细小血管的划分，可以参考上述实施例中对于第一血管的划分的描述。作为示例性的实施例，第二血管提取是在当前的第一血管提取基础上再次提取。具体的，统计所述第一血管的像素点的灰度值的标准差和平均值；将所述第一血管的像素点作为第二血管的种子点以预设生长条件进行三维26邻域区域生长，得到第二血管，所述预设生长条件为灰度范围为平均值±标准差且除所述第一血管的像素点之外的其他血管候选像素点。示例性的，统计Ilargevessel内的灰度值的标准差std和平均值meanvalue。
Ilargevessel的点作为种子点，三维26领域区域生长，生长条件是灰度值位于meanvalue±std范围内，且当前标记为(ISvessel-Ilargevessel)。生长的区域标即第二血管记为ISmallvessel。
对于步骤S210，参见图5所示，以胸腹血管为例：胸腹血管的分割结果是由大血管结果和细小血管结果合并而成。
Figure BDA0002760238600000141
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
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根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请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，该计算机软件产品存储在一个存储介质(如ROM(Read-Only Memory，只读存储器)/RAM(Random Access Memory，随机存取存储器)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例的方法。
根据本申请实施例的另一个方面，还提供了一种用于实施上述血管分割方法的血管分割装置。图6是根据本申请实施例的一种可选的血管分割装置的示意图，如图6所示，该装置可以包括：
获取模块601，用于获取目标区域，所述目标区域包括待分割区域
确定模块602，用于基于预设血管模型和模糊聚类算法确定血管候选像素点；
第一提取模块603，用于根据所述血管候选像素点提取第一血管；
第二提取模块604，用于基于所述第一血管提取第二血管，其中，所述第一血管的密度大于所述第二血管的密度；
合并模块605，用于合并所述第一血管和所述第二血管得到血管分割结果。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。
根据本申请实施例的又一个方面，还提供了一种用于实施上述血管分割方法的电子设备，该电子设备可以是服务器、终端、或者其组合。
图7是根据本申请实施例的一种可选的电子设备的结构框图，如图7所示，包括处理器702、通信接口704、存储器706和通信总线708，其中，处理器702、通信接口704和存储器706通过通信总线708完成相互间的通信，其中，
存储器706，用于存储计算机程序；
处理器702，用于执行存储器706上所存放的计算机程序时，实现如下步骤：
S1，获取目标区域，所述目标区域包括待分割区域
S2，基于预设血管模型和模糊聚类算法确定血管候选像素点；
S3，根据所述血管候选像素点提取第一血管；
S4，基于所述第一血管提取第二血管，其中，所述第一血管的密度大于所述第二血管的密度；
S5，合并所述第一血管和所述第二血管得到血管分割结果。
可选地，在本实施例中，上述的通信总线可以是PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线、或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM，也可以包括非易失性存储器(non-volatile memory)，例如，至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，可以包含但不限于：CPU(Central ProcessingUnit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(DigitalSignal Processing，数字信号处理器)、ASIC(Application Specific IntegratedCircuit，专用集成电路)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)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。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本领域普通技术人员可以理解，图7所示的结构仅为示意，实施上述血管分割方法的设备可以是终端设备，该终端设备可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图7其并不对上述电子装置的结构造成限定。例如，终端设备还可包括比图7中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图7所示的不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、ROM、RAM、磁盘或光盘等。
根据本申请实施例的又一个方面，还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行血管分割方法的程序代码。
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
S1，获取目标区域，所述目标区域包括待分割区域
S2，基于预设血管模型和模糊聚类算法确定血管候选像素点；
S3，根据所述血管候选像素点提取第一血管；
S4，基于所述第一血管提取第二血管，其中，所述第一血管的密度大于所述第二血管的密度；
S5，合并所述第一血管和所述第二血管得到血管分割结果。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例中对此不再赘述。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例中所提供的方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (8)

1.一种血管分割方法，其特征在于，包括：
获取目标区域，所述目标区域包括待分割区域；
基于预设血管模型和模糊聚类算法确定血管候选像素点；
所述基于预设血管模型和模糊聚类算法确定血管候选像素点包括：
基于预设血管模型计算所述目标区域内的类血管像素点Iepre，所述预设血管模型基于Hessian矩阵的特征值和特征方向构建；
基于血管增强模型进行血管相似度计算，得到符合血管结构的像素点；
对所述符合血管结构的像素点进行灰度增强得到所述类血管像素点；
对所述类血管像素点进行分类得到所述血管候选像素点；
根据所述血管候选像素点提取第一血管；
所述根据所述血管候选像素点提取第一血管，包括：
应用预设结构元素对所述血管候选像素点进行腐蚀，得到腐蚀后的血管像素点，所述预设结构元素表示以原点和原点周围的26邻域构成的结构体；
计算所述腐蚀后的血管像素点的连通区域的中心点作为血管种子点；
基于所述血管种子点以腐蚀后的血管像素点为生长条件进行三维26邻域区域生长，得到所述第一血管；
所述根据所述血管候选像素点提取第一血管，包括：
统计所述第一血管的像素点的灰度值的标准差和平均值；
将所述第一血管的像素点作为第二血管的种子点以预设生长条件进行三维26邻域区域生长，得到第二血管，
所述预设生长条件为灰度范围为平均值±标准差且除所述第一血管的像素点之外的其他血管候选像素点；
基于所述第一血管提取第二血管，其中，所述第一血管的密度大于所述第二血管的密度；
合并所述第一血管和所述第二血管得到血管分割结果。
2.如权利要求1所述的血管分割方法，其特征在于，所述获取目标区域包括：
读取待分割区域的医学影像数据；
对所述医学影像数据的非背景部分进行标记；
在所述非背景部分选取目标区域种子点；
基于所述目标区域种子点进行三维26邻域区域生长得到所述目标区域。
3.如权利要求2所述的血管分割方法，其特征在于，所述医学影像数据包括多层医学影像图像；
所述对所述医学影像数据的非背景部分进行标记包括：
基于每一层医学影像图像的边界点进行背景部分区域生长；
应用第一预设结构元素对区域生长后的背景部分进行膨胀；
基于膨胀结果标记非背景部分。
4.如权利要求1所述的血管分割方法，其特征在于，所述基于预设血管模型和模糊聚类算法确定血管候选像素点包括：
基于预设血管模型计算所述目标区域内的类血管像素点，所述预设血管模型基于Hessian矩阵的特征值和特征方向构建；
利用模糊均值算法计算所述目标区域内的多个生物组织的中心灰度和所述类血管像素点相对于所述生物组织的隶属度；
基于所述中心灰度和所述类血管像素点的灰度计算所述类血管像素点相对于所述生物组织的隶属度；
基于所述隶属度对所述类血管像素进行分类得到所述血管候选像素点。
5.如权利要求4所述的血管分割方法，其特征在于，所述基于预设血管模型计算所述目标区域的类血管像素点包括：
基于上述预设血管模型进行血管相似度计算，得到符合血管结构的像素点；
对所述符合血管结构的像素点进行灰度增强得到所述类血管像素点。
6.一种血管分割装置，其特征在于，包括：
获取模块，用于获取目标区域，所述目标区域包括待分割区域
确定模块，用于基于预设血管模型和模糊聚类算法确定血管候选像素点；
基于预设血管模型计算所述目标区域内的类血管像素点Iepre，所述预设血管模型基于Hessian矩阵的特征值和特征方向构建；
基于血管增强模型进行血管相似度计算，得到符合血管结构的像素点；
对所述符合血管结构的像素点进行灰度增强得到所述类血管像素点；
第一提取模块，用于根据所述血管候选像素点提取第一血管；
应用预设结构元素对所述血管候选像素点进行腐蚀，得到腐蚀后的血管像素点，所述预设结构元素表示以原点和原点周围的26邻域构成的结构体；
计算所述腐蚀后的血管像素点的连通区域的中心点作为血管种子点；
基于所述血管种子点以腐蚀后的血管像素点为生长条件进行三维26邻域区域生长，得到所述第一血管；
统计所述第一血管的像素点的灰度值的标准差和平均值；
将所述第一血管的像素点作为第二血管的种子点以预设生长条件进行三维26邻域区域生长，得到第二血管，
所述预设生长条件为灰度范围为平均值±标准差且除所述第一血管的像素点之外的其他血管候选像素点；
第二提取模块，用于基于所述第一血管提取第二血管，其中，所述第一血管的密度大于所述第二血管的密度；
合并模块，用于合并所述第一血管和所述第二血管得到血管分割结果。
7.一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，其特征在于，
所述存储器，用于存储计算机程序；
所述处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行权利要求1至5中任一项所述的血管分割方法步骤。
8.一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至5中任一项中所述的血管分割方法步骤。
CN202011215521.0A 2020-11-04 2020-11-04 血管分割方法、装置及电子设备 Active CN112308846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011215521.0A CN112308846B (zh) 2020-11-04 2020-11-04 血管分割方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011215521.0A CN112308846B (zh) 2020-11-04 2020-11-04 血管分割方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112308846A CN112308846A (zh) 2021-02-02
CN112308846B true CN112308846B (zh) 2021-07-13

Family

ID=74325614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011215521.0A Active CN112308846B (zh) 2020-11-04 2020-11-04 血管分割方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112308846B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113012114B (zh) * 2021-03-02 2021-12-03 推想医疗科技股份有限公司 一种血管识别方法、装置、存储介质及电子设备
CN113408647B (zh) * 2021-07-07 2024-04-02 中国科学院生物物理研究所 一种脑小血管结构特征的提取方法
CN114359208B (zh) * 2021-12-29 2022-11-01 推想医疗科技股份有限公司 头颈血管分割方法及装置、可读存储介质及电子设备
CN116071355A (zh) * 2023-03-06 2023-05-05 山东第一医科大学第二附属医院 一种用于外周血管影像的辅助分割系统及方法
CN117974692B (zh) * 2024-03-29 2024-06-07 贵州毅丹恒瑞医药科技有限公司 一种基于区域生长的眼科医学影像处理方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737376A (zh) * 2012-03-31 2012-10-17 常熟市支塘镇新盛技术咨询服务有限公司 一种应用在冠状动脉造影图像分割中的改进的区域生长方法
CN103810363A (zh) * 2012-11-09 2014-05-21 上海联影医疗科技有限公司 血管造影术中的血管种子点选取方法及血管提取方法
CN104182956A (zh) * 2013-05-21 2014-12-03 上海联影医疗科技有限公司 一种血管提取方法
CN104899862A (zh) * 2015-04-01 2015-09-09 武汉工程大学 基于全局与局部阈值的视网膜血管分割算法
CN106228561A (zh) * 2016-07-29 2016-12-14 上海联影医疗科技有限公司 血管提取方法
CN108154519A (zh) * 2017-12-25 2018-06-12 吉林大学 眼底图像中血管的分割方法、装置及存储介质
CN108765385A (zh) * 2018-05-14 2018-11-06 广东药科大学 一种双源ct冠状动脉自动提取方法
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
CN110338830A (zh) * 2019-07-30 2019-10-18 赛诺威盛科技（北京）有限公司 自动提取cta影像中头颈血管中心路径的方法
CN111047607A (zh) * 2019-12-09 2020-04-21 赛诺威盛科技（北京）有限公司 一种自动分割冠状动脉的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090147001A1 (en) * 2006-05-17 2009-06-11 Koninklijke Philips Electronics N.V. Computer program to output contrast enhanced medical image data
US10002428B2 (en) * 2015-12-01 2018-06-19 Ottawa Hospital Research Institute Method and system for identifying bleeding
CN110706246B (zh) * 2019-10-15 2022-08-02 上海微创卜算子医疗科技有限公司 一种血管图像分割方法、装置、电子设备和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737376A (zh) * 2012-03-31 2012-10-17 常熟市支塘镇新盛技术咨询服务有限公司 一种应用在冠状动脉造影图像分割中的改进的区域生长方法
CN103810363A (zh) * 2012-11-09 2014-05-21 上海联影医疗科技有限公司 血管造影术中的血管种子点选取方法及血管提取方法
CN104182956A (zh) * 2013-05-21 2014-12-03 上海联影医疗科技有限公司 一种血管提取方法
CN104899862A (zh) * 2015-04-01 2015-09-09 武汉工程大学 基于全局与局部阈值的视网膜血管分割算法
CN106228561A (zh) * 2016-07-29 2016-12-14 上海联影医疗科技有限公司 血管提取方法
CN108154519A (zh) * 2017-12-25 2018-06-12 吉林大学 眼底图像中血管的分割方法、装置及存储介质
CN108765385A (zh) * 2018-05-14 2018-11-06 广东药科大学 一种双源ct冠状动脉自动提取方法
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
CN110338830A (zh) * 2019-07-30 2019-10-18 赛诺威盛科技（北京）有限公司 自动提取cta影像中头颈血管中心路径的方法
CN111047607A (zh) * 2019-12-09 2020-04-21 赛诺威盛科技（北京）有限公司 一种自动分割冠状动脉的方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
A coronary artery segmentation method based on multiscale analysis and region growing;Asma Kerkeni 等;《https://hal.archives-ouvertes.fr/hal-01671874》;20171222;第1-24页 *
Multiscale Vessel Enhancement Filtering;Alejandro F. Frangi 等;《MICCAI 1998》;20060601;第130-137页 *
Separation of arteries and veins in the cerebral cortex using physiological oscillations by optical imaging of intrinsic signal;Dewen Hu 等;《Journal of Biomedical Optics》;20100501;第15卷(第3期);第036025-1-036025-10页 *
Spatial continuity incorporated multi-attribute fuzzy clustering algorithm for blood vessels segmentation;HAO JuTao 等;《SCIENCE CHINA Information Sciences》;20100418;第53卷(第4期);第752-759页 *
一种视网膜血管的分割方法;仇恒志 等;《江西医学院学报》;20090130;第49卷(第1期);第1.2.3节 *
一种面向 CTA 图像的冠状动脉自动分割算法;崔家礼 等;《北方工业大学学报》;20190415;第31卷(第2期);第16-22、56页 *
基于 Hessian 矩阵特征值聚类的脑血管分割方法;曹容菲 等;《系统仿真学报》;20140908;第26卷(第9期);第1-2节，第3.3节，图1 *

Also Published As

Publication number Publication date
CN112308846A (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN112308846B (zh) 血管分割方法、装置及电子设备
US9968257B1 (en) Volumetric quantification of cardiovascular structures from medical imaging
CN107563983B (zh) 图像处理方法以及医学成像设备
CN110706246B (zh) 一种血管图像分割方法、装置、电子设备和存储介质
Lather et al. Investigating brain tumor segmentation and detection techniques
Selver et al. Patient oriented and robust automatic liver segmentation for pre-evaluation of liver transplantation
US20230104173A1 (en) Method and system for determining blood vessel information in an image
CN111008984B (zh) 医学影像中正常器官的轮廓线自动勾画方法
Badura et al. Soft computing approach to 3D lung nodule segmentation in CT
Liu et al. A framework of wound segmentation based on deep convolutional networks
CN112435263A (zh) 医学图像分割方法、装置、设备、系统及计算机存储介质
KR20230059799A (ko) 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델
CN108230301A (zh) 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法
Song et al. Kidney segmentation in CT sequences using SKFCM and improved GrowCut algorithm
Chen et al. A lung dense deep convolution neural network for robust lung parenchyma segmentation
CN109191468B (zh) 一种血管提取的方法、装置及存储介质
Vukadinovic et al. Segmentation of the outer vessel wall of the common carotid artery in CTA
CN111932495B (zh) 一种医学图像检测方法、装置及存储介质
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
Czipczer et al. Adaptable volumetric liver segmentation model for CT images using region-based features and convolutional neural network
Faisal et al. Computer assisted diagnostic system in tumor radiography
Tahoces et al. Deep learning method for aortic root detection
CN112529918B (zh) 一种脑部ct图像中脑室区域分割的方法、装置及设备
CN117036530B (zh) 基于跨模态数据的冠状动脉血流储备分数预测方法及装置
Khader et al. Adaptive preprocessing for generalization in cardiac MR image segmentation

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

Address after: 100176 1st floor, building 8, 11 Kangding street, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Applicant after: Sinovision Technology (Beijing) Co.,Ltd.

Address before: 1 / F, building 8, No. 11, Kangding street, Daxing Economic and Technological Development Zone, Beijing 100176

Applicant before: SAINUO WEISHENG TECHNOLOGY (BEIJING) Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220210

Address after: 225266 building 16, No. 49, Renmin Middle Road, dinghuo Town, Jiangdu District, Yangzhou City, Jiangsu Province

Patentee after: Sanuo Weisheng medical technology (Yangzhou) Co.,Ltd.

Address before: 100176 1st floor, building 8, 11 Kangding street, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Patentee before: Sinovision Technology (Beijing) Co.,Ltd.

TR01 Transfer of patent right