CN112365489A - 一种超声图像血管分叉检测方法 - Google Patents
一种超声图像血管分叉检测方法 Download PDFInfo
- Publication number
- CN112365489A CN112365489A CN202011333949.5A CN202011333949A CN112365489A CN 112365489 A CN112365489 A CN 112365489A CN 202011333949 A CN202011333949 A CN 202011333949A CN 112365489 A CN112365489 A CN 112365489A
- Authority
- CN
- China
- Prior art keywords
- image
- vessel
- blood vessel
- bifurcation
- carrying
- 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.)
- Pending
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000003708 edge detection Methods 0.000 claims abstract description 12
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000024883 vasodilation Effects 0.000 claims abstract description 5
- 206010047141 Vasodilatation Diseases 0.000 claims abstract description 4
- 238000002604 ultrasonography Methods 0.000 claims description 7
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 101100173586 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fft2 gene Proteins 0.000 description 1
- 206010064930 age-related macular degeneration Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000002780 macular degeneration Diseases 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 201000006417 multiple sclerosis Diseases 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
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
- 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
- G06T7/12—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
- G06T7/13—Edge detection
-
- 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
- G06T2207/10132—Ultrasound 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- 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)
- Image Processing (AREA)
Abstract
本发明涉及一种超声图像血管分叉检测方法,包括以下步骤:获取超声图像,通过单通道提取将超声图像转化为灰度图像;对灰度图像进行Harris特征检测,得到兴趣点集图像;将兴趣点集图像进行傅里叶变换,在频域中通过巴特沃斯低通滤波器和LMS自适应滤波器去除高频噪声和高斯白噪声,得到去噪图像;对去噪图像进行边缘检测或图像分割,得到血管图像;利用zhang‑suen细化算法对血管图像进行血管细化,得到血管细化图像;通过调和均值滤波器对血管细化图像进行血管扩张填充处理,得到血管填充图像;对血管填充图像中所有的像素点进行卷积,得到血管分叉点。与现有技术相比,方法简洁,确定的分叉位置更加准确,且效率高。
Description
技术领域
本发明涉及血管分叉检测领域,尤其是涉及一种超声图像血管分叉检测方法。
背景技术
随着计算机技术的发展和成熟,以及临床诊断技术的进步,医学图像处理得到了迅速的发展。医学图像处理技术作为一门新兴的学科和技术,在临床上的应用越来越广泛。同时,随着全球财富的增长和老龄化,各种影响血管网络的系统性疾病越来越普遍,如老年性黄斑变性、糖尿病视网膜病变、青光眼、高血压、动脉硬化和多发性硬化糖等。眼底图像常被用来诊断这些病变。血管系统在分叉和交叉处的几何特征,如交叉角、血管宽度、分叉不对称性和分支角的变化等,是血管不健康的标志,在这些情况下,分叉点和交点(统称为特征点)是衡量血管系统健康状况的关键指标。由于疾病可以改变分叉和交叉的形态,要利用交叉口的诊断信息,首先要对其进行识别和分类。分岔路口的识别和分类研究对于临床医学具有重要意义,因为它可以反映年龄或疾病引起的形态变异。
目前,血管图像特征点的识别主要是基于骨架的。基于骨架的方法的缺点是对血管分割的不精确性非常敏感。因为骨架获取过程中的误差会直接导致特征点检测误差。在过去,基于骨架的操作首先对图像进行二值化和细化,然后扫描整个图像来搜索目标像素的连接数。当连接数是3时,为分岔点;当连接数是4时,为交点。以往的基于骨架的血管分割和检测技术也不能很好地解决血管中存在的反射问题,出现反射现象时,血管中心线上的像素值太高,很容易引起将一条血管误以为是两条平行血管的问题,这样会导致扎针位置不准确。
发明内容
本发明的目的就是为了克服上述现有技术存在的不准确缺陷而提供一种超声图像血管分叉检测方法。
本发明的目的可以通过以下技术方案来实现:
一种超声图像血管分叉检测方法,该方法包括以下步骤:
S1:获取超声图像,通过单通道提取将超声图像转化为灰度图像;
S2:对灰度图像进行Harris特征检测,得到兴趣点集图像;
S3:将兴趣点集图像进行傅里叶变换,在频域中通过巴特沃斯低通滤波器和LMS自适应滤波器去除高频噪声和高斯白噪声,得到去噪图像;
S4:对去噪图像进行边缘检测或图像分割,得到血管图像;
S5:利用zhang-suen细化算法对血管图像进行血管细化,得到血管细化图像;
S6:通过调和均值滤波器对血管细化图像进行血管扩张填充处理,得到血管填充图像;
S7:对血管填充图像中所有的像素点进行卷积,得到血管分叉点。
S2中,对灰度图像进行Harris特征检测之前圈选感兴趣区域。
S3中巴特沃斯低通滤波器的阶数为20,截止频率为3000Hz。
S3中LMS自适应滤波器的阶数为50,学习率为0.00001,最大迭代次数为1000,最小迭代误差为0.002。
所述的S4包括:
对去噪图像依次进行腐蚀和膨胀;
对腐蚀和膨胀后的去噪图像进行边缘检测或图像分割,得到血管图像。
所述的S4中,边缘检测使用Canny算子。
所述的S4中,利用小波变换进行图像分割。
S6血管细化之前,通过拓扑分类法计算血管图像中各血管像素点之间的距离,若两个血管像素点距离小于设定值且相互连接,将该两个血管像素点合并为一个像素点。
所述的设定值为37微米。
S7中卷积运算的卷积核为若卷积结果属于集合{424,394,298,418,297,402,325,340,337,277,330,420,329,404,293,338,426,341},则该卷积点为血管分叉点。
与现有技术相比,本发明具有以下优点:
(1)在频域中通过巴特沃斯低通滤波器和LMS自适应滤波器去除高频噪声和高斯白噪声,可以去除兴趣点集图像中的高频噪声和高斯噪声,使血管的边界更加清晰。
(2)利用zhang-suen细化算法对血管图像进行血管细化,可以弥补边缘检测或图像分割造成的细节缺失问题,使代表血管的像素点更加丰富。
(3)通过调和均值滤波器对血管细化图像进行血管扩张填充处理,可以很好地解决血管中存在的反射问题。
(4)血管细化之前,通过拓扑分类法计算血管图像中各血管像素点之间的距离,若两个血管像素点距离小于设定值且相互连接,将该两个血管像素点合并为一个像素点,解决了两血管相交处重叠较多时,容易将一个交点确定为两个分叉点的问题,有利于去除伪特征点。
(5)方法简洁,确定的分叉位置更加准确,且效率高。
附图说明
图1为本发明的流程图;
图2为本发明的灰度图像;
图3为本发明的去噪图像。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
本实施例提供一种超声图像血管分叉检测方法,如图1所示,包括以下步骤:
S1:获取超声图像,通过单通道提取将超声图像转化为灰度图像;
S2:对灰度图像进行Harris特征检测,得到兴趣点集图像;
S3:将兴趣点集图像进行傅里叶变换,在频域中通过巴特沃斯低通滤波器和LMS自适应滤波器去除高频噪声和高斯白噪声,得到去噪图像;
S4:对去噪图像进行边缘检测或图像分割,得到血管图像;
S5:利用zhang-suen细化算法对血管图像进行血管细化,得到血管细化图像;
S6:通过调和均值滤波器对血管细化图像进行血管扩张填充处理,得到血管填充图像;
S7:对血管填充图像中所有的像素点进行卷积,得到血管分叉点。
具体而言:
S2中,对灰度图像进行Harris特征检测之前圈选感兴趣区域。
S3中巴特沃斯低通滤波器的阶数为20,截止频率为3000Hz;LMS自适应滤波器的阶数为50,学习率为0.00001,最大迭代次数为1000,最小迭代误差为0.002。
S4包括:对去噪图像依次进行腐蚀和膨胀;对腐蚀和膨胀后的去噪图像进行边缘检测或图像分割,得到血管图像。S4中,边缘检测使用Canny算子,利用小波变换进行图像分割。
S6血管细化之前,通过拓扑分类法计算血管图像中各血管像素点之间的距离,若两个血管像素点距离小于设定值37um且相互连接,将该两个血管像素点合并为一个像素点。
S7中卷积运算的卷积核为若卷积结果属于集合{424,394,298,418,297,402,325,340,337,277,330,420,329,404,293,338,426,341},则该卷积点为血管分叉点。
以下为具体实施流程:
1、利用OpenCV-Python打开待测视频,待测视频一般为模糊且灰暗的视频,不能有效从视频中识别血管的位置;
2、将视频的打开和读取放入一个循环中,在该循环中对每一帧图像进行操作,输出的视频即为超声图像;
3、对超声图像进行单通道提取,选取RGB三通道中任一通道进行提取,此时将超声图像转为灰度图像,超声图像如图2所示;
4、对灰度图像圈选感兴趣区域ROI;
5、进行Harris特征检测,得到兴趣点集图像,利用cv::cornerEignValAndVecs和cv::cornerMinEigenVal函数计算Harris矩阵协方差特征值;
6、将兴趣点集图像进行2D傅里叶变换(FFT2);
7、在频域构建巴特沃斯低通滤波器,滤除高频噪声,设置阶数为20,截止频率为3000Hz;
8、利用LMS算法,构建自适应滤波器,最大限度滤除高斯白噪声,设置自适应滤波器的阶数为50,初始化权值为阶数乘0.1,学习率为0.00001,0.00001的学习率可以防止梯度下降时越过极值点,最大迭代次数为1000,最小迭代误差为0.002;通过对图像的频谱分析可以得出,图像的噪声来源主要有两个:高频噪声和高斯白噪声,其中,高频噪声是由于超声设备运行时产生的高频分量造成的,其频谱分布在高频处,而高斯白噪声来自一切电阻性元器件中电子的热运动,是不可避免的存在,其频域图像为一条平行于横轴的直线,分布在各个频段;
9、对图像进行灰度形态学运算,包括腐蚀运算,创建腐蚀所用的内核:kernel=np.ones((5,5),np.uint8),利用cv2.erode函数进行腐蚀运算,基于上述内核,利用cv2.dilate函数对进行膨胀运算;
10、利用cv2.Canny函数进行边缘检测,或利用二维离散小波变换(DWT)进行图像分割,得到血管图像;
11、通过拓扑分类法计算血管图像中各血管像素点之间的距离,若两个血管像素点距离小于设定值且相互连接,将该两个血管像素点合并为一个像素点;
12、利用zhang-suen细化算法对上一步得到的图像进行细化,得到血管细化图像;
13、利用cv2.blur构建调和均值滤波器,卷积核选取(5,5),得到血管填充图像;血管可能出现反射现象,这时血管中心线上的像素值很高,计算机可能将一条血管识别为两条平行血管,此时,应对反射现象进行血管扩张填充处理;
14、对血管填充图像中所有的像素点进行卷积操作,获得各个特征点(血管分叉)的位置,并将各特征点的位置信息存入二维矩阵中,具体过程为:
对像素点进行卷积,卷积核为(1,2,4,8,16,32,64,128,256)共9个值,然后计算九宫格中每个像素值和卷积核的值的乘积,最后进行求和,如果结果等于{424,394,298,418,297,402,325,340,337,277,330,420,329,404,293,338,426,341}集合中的任何一个点,则判断此像素点为特征点,以此获得所有特征点位置。
Claims (10)
1.一种超声图像血管分叉检测方法,其特征在于,该方法包括以下步骤:
S1:获取超声图像,通过单通道提取将超声图像转化为灰度图像;
S2:对灰度图像进行Harris特征检测,得到兴趣点集图像;
S3:将兴趣点集图像进行傅里叶变换,在频域中通过巴特沃斯低通滤波器和LMS自适应滤波器去除高频噪声和高斯白噪声,得到去噪图像;
S4:对去噪图像进行边缘检测或图像分割,得到血管图像;
S5:利用zhang-suen细化算法对血管图像进行血管细化,得到血管细化图像;
S6:通过调和均值滤波器对血管细化图像进行血管扩张填充处理,得到血管填充图像;
S7:对血管填充图像中所有的像素点进行卷积,得到血管分叉点。
2.根据权利要求1所述的一种超声图像血管分叉检测方法,其特征在于,S2中,对灰度图像进行Harris特征检测之前圈选感兴趣区域。
3.根据权利要求1所述的一种超声图像血管分叉检测方法,其特征在于,S3中巴特沃斯低通滤波器的阶数为20,截止频率为3000Hz。
4.根据权利要求1所述的一种超声图像血管分叉检测方法,其特征在于,S3中LMS自适应滤波器的阶数为50,学习率为0.00001,最大迭代次数为1000,最小迭代误差为0.002。
5.根据权利要求1所述的一种超声图像血管分叉检测方法,其特征在于,所述的S4包括:
对去噪图像依次进行腐蚀和膨胀;
对腐蚀和膨胀后的去噪图像进行边缘检测或图像分割,得到血管图像。
6.根据权利要求1所述的一种超声图像血管分叉检测方法,其特征在于,所述的S4中,边缘检测使用Canny算子。
7.根据权利要求1所述的一种超声图像血管分叉检测方法,其特征在于,所述的S4中,利用小波变换进行图像分割。
8.根据权利要求1所述的一种超声图像血管分叉检测方法,其特征在于,S6血管细化之前,通过拓扑分类法计算血管图像中各血管像素点之间的距离,若两个血管像素点距离小于设定值且相互连接,将该两个血管像素点合并为一个像素点。
9.根据权利要求8所述的一种超声图像血管分叉检测方法,其特征在于,所述的设定值为37微米。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011333949.5A CN112365489A (zh) | 2020-11-25 | 2020-11-25 | 一种超声图像血管分叉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011333949.5A CN112365489A (zh) | 2020-11-25 | 2020-11-25 | 一种超声图像血管分叉检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365489A true CN112365489A (zh) | 2021-02-12 |
Family
ID=74534115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011333949.5A Pending CN112365489A (zh) | 2020-11-25 | 2020-11-25 | 一种超声图像血管分叉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365489A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664457A (zh) * | 2023-08-02 | 2023-08-29 | 聊城市洛溪信息科技有限公司 | 一种用于增强去噪的图像处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104398271A (zh) * | 2014-11-14 | 2015-03-11 | 西安交通大学 | 血管与斑块的三维力学及组织特性成像检测方法 |
CN107368792A (zh) * | 2017-06-29 | 2017-11-21 | 广州智慧城市发展研究院 | 一种基于滤波器以及主干边缘的指静脉识别方法及系统 |
CN108764286A (zh) * | 2018-04-24 | 2018-11-06 | 电子科技大学 | 一种基于迁移学习的血管图像中特征点的分类识别方法 |
CN109191387A (zh) * | 2018-07-20 | 2019-01-11 | 河南师范大学 | 一种基于巴特沃斯滤波器的红外图像去噪方法 |
CN110349203A (zh) * | 2019-07-15 | 2019-10-18 | 深圳市威尔德医疗电子有限公司 | 一种超声设备及其超声图像中血管直径的测量方法 |
CN111462099A (zh) * | 2020-04-05 | 2020-07-28 | 中国人民解放军总医院 | 一种基于快速积分图监测的图像细胞区域定位方法 |
-
2020
- 2020-11-25 CN CN202011333949.5A patent/CN112365489A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104398271A (zh) * | 2014-11-14 | 2015-03-11 | 西安交通大学 | 血管与斑块的三维力学及组织特性成像检测方法 |
CN107368792A (zh) * | 2017-06-29 | 2017-11-21 | 广州智慧城市发展研究院 | 一种基于滤波器以及主干边缘的指静脉识别方法及系统 |
CN108764286A (zh) * | 2018-04-24 | 2018-11-06 | 电子科技大学 | 一种基于迁移学习的血管图像中特征点的分类识别方法 |
CN109191387A (zh) * | 2018-07-20 | 2019-01-11 | 河南师范大学 | 一种基于巴特沃斯滤波器的红外图像去噪方法 |
CN110349203A (zh) * | 2019-07-15 | 2019-10-18 | 深圳市威尔德医疗电子有限公司 | 一种超声设备及其超声图像中血管直径的测量方法 |
CN111462099A (zh) * | 2020-04-05 | 2020-07-28 | 中国人民解放军总医院 | 一种基于快速积分图监测的图像细胞区域定位方法 |
Non-Patent Citations (1)
Title |
---|
(美)约翰逊(D.E.JOHNSON): "《有源滤波器的快速实用设计》", 30 June 1980 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664457A (zh) * | 2023-08-02 | 2023-08-29 | 聊城市洛溪信息科技有限公司 | 一种用于增强去噪的图像处理方法 |
CN116664457B (zh) * | 2023-08-02 | 2023-10-13 | 聊城市洛溪信息科技有限公司 | 一种用于增强去噪的图像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764286B (zh) | 一种基于迁移学习的血管图像中特征点的分类识别方法 | |
WO2021169128A1 (zh) | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 | |
US9256941B2 (en) | Microcalcification detection and classification in radiographic images | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
WO2022063198A1 (zh) | 一种肺部图像处理方法、装置及设备 | |
CN112529894B (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
US8244009B2 (en) | Image analysis device | |
CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
JP3928978B1 (ja) | 医用画像処理装置、医用画像処理方法及びプログラム | |
CN112132166B (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
US20220383661A1 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN108378869B (zh) | 一种从超声图像中自动测量胎儿头围长度的图像处理方法及处理系统 | |
CN111784701B (zh) | 结合边界特征增强和多尺度信息的超声图像分割方法及系统 | |
TWI624807B (zh) | 醫學影像之迭代式分析法 | |
CN109767448B (zh) | 分割模型训练方法及装置 | |
CN113034528A (zh) | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 | |
CN115546232A (zh) | 一种肝脏超声图像工作区域提取方法、系统及电子设备 | |
CN110136107B (zh) | 基于dssd和时域约束x光冠脉造影序列自动分析方法 | |
CN111820948B (zh) | 胎儿生长参数测量方法、系统及超声设备 | |
CN112365489A (zh) | 一种超声图像血管分叉检测方法 | |
CN116524315A (zh) | 一种基于Mask R-CNN的肺癌病理组织切片识别及分割方法 | |
CN115249248A (zh) | 基于眼底图像的视网膜动静脉血管直接识别方法和系统 | |
CN114445419A (zh) | 一种基于支气管拓扑结构的肺段分割方法、装置及系统 | |
CN111310839A (zh) | 一种钼靶图像中乳头位置的检测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210212 |