CN112529906B - 一种软件层面的血管内oct三维图像管腔分割方法和装置 - Google Patents

一种软件层面的血管内oct三维图像管腔分割方法和装置 Download PDF

Info

Publication number
CN112529906B
CN112529906B CN202110174321.3A CN202110174321A CN112529906B CN 112529906 B CN112529906 B CN 112529906B CN 202110174321 A CN202110174321 A CN 202110174321A CN 112529906 B CN112529906 B CN 112529906B
Authority
CN
China
Prior art keywords
lumen
oct
dimensional image
dimensional
image
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
CN202110174321.3A
Other languages
English (en)
Other versions
CN112529906A (zh
Inventor
张真铨
滕忠照
沈金花
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.)
Nanjing Jingsan Medical Technology Co ltd
Original Assignee
Nanjing Jingsan Medical Technology 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 Nanjing Jingsan Medical Technology Co ltd filed Critical Nanjing Jingsan Medical Technology Co ltd
Priority to CN202110174321.3A priority Critical patent/CN112529906B/zh
Publication of CN112529906A publication Critical patent/CN112529906A/zh
Application granted granted Critical
Publication of CN112529906B publication Critical patent/CN112529906B/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
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种软件层面的血管内oct三维图像管腔分割方法和装置，该分割方法包括：构建人工神经网络训练模型；将待分割血管内的oct三维图像序列输入所述人工神经网络训练模型中；获取所述人工神经网络训练模型输出的对应三维管腔二值图像；根据所述三维管腔二值图像获取轮廓信息，得到管腔轮廓点集坐标；将所述管腔轮廓点集坐标与血管内oct三维图像进行匹配，获得管腔三维分割结果。本发明简化了医生进行手动管腔分割的的重复劳动，提高了医生分析冠脉oct图像的效率，使得医生的劳动力应用到更加专业的判断上，最终使更多的心血管患者获益。

Description

一种软件层面的血管内oct三维图像管腔分割方法和装置
技术领域
本发明涉及神经网络与图像处理领域，具体而言，涉及一种软件层面的血管内oct三维图像管腔分割方法和装置。
背景技术
光学相干层析成像技术(Optical Coherence Tomography，oct)是一种非侵入的探测技术。oct技术现已被广泛应用于生物组织的活体截面结构成像。通过测量与深度有关的散射光，oct可以提供高分辨，高灵敏度的组织结构。
当oct应用于血管成像时，利用可以转动的光学透镜和光纤向血管内表面发射近红外光，利用光干涉仪接收反射回来的光波并成像。因为利用光波成像，oct成像分辨率高，轴向分辨率可以达到10-20μm，可以对斑块表面的成分以及微结构进行成像。但是，由于近红外光波穿透性不强（约1.0-2.5mm），血细胞、红血栓以及斑块的脂质核心或斑块内坏死都会影响oct对血管壁结构的观察和斑块负荷的估计。因为红细胞对红光的散射，过去的oct在成像时需要不断注入造影剂将血液冲刷开。现代的oct系统通过快速旋转回撤等技术部分地减少了红细胞等对成像的干扰，在数秒内完成一段长度血管的成像。
目前，oct图像的斑块及管腔分割的方法主要还是依赖于专业医生的人工标注，标注过程中需要医生的专业知识进行判断，不仅需要大量的重复劳动，而且人工标注效率也不高。
发明内容
本发明的目的在于提供一种软件层面的血管内oct三维图像管腔分割方法和装置，其目的在于全自动的找到并分割出血管内oct三维图像的管腔轮廓。
为解决上述技术问题，本发明采用的技术方案是：一种软件层面的血管内oct三维图像管腔分割方法，包括：构建人工神经网络训练模型；将待分割血管内的oct三维图像序列输入所述人工神经网络训练模型中；获取所述人工神经网络训练模型输出的对应三维管腔二值图像；根据所述三维管腔二值图像获取轮廓信息，得到管腔轮廓点集坐标；将所述管腔轮廓点集坐标与血管内oct三维图像进行匹配，获得管腔三维分割结果。
作为优选方案，所述构建人工神经网络训练模型，包括：获取多个血管内的oct三维图像序列；对所述oct三维图像人工标注管腔轮廓，获得管腔轮廓点集的坐标；在全零矩阵中，根据坐标将管腔轮廓点集连接成轮廓，并进行填充，得到管腔的二值图像，作为数据集的标签label；将所述oct三维图像的每一帧添加一层蒙版与原本图像通道叠加，形成多通道，作为数据集的输入input；将所述数据集的标签label和输入input传输至unet网络结构中，进行训练，多次迭代过程后，得到最终人工神经网络训练模型。
作为优选方案，每个oct三维图像序列的第一帧图片采用以图片中心为圆心，一定半径的圆作为蒙版，后续图片用上一帧训练的输出结果作为蒙版。
作为优选方案，训练所使用的损失函数为：
Figure 100002_DEST_PATH_IMAGE001
其中，P为unet网络模型训练得到的预测矩阵，Y为标签矩阵，yi为Y中的一个元素，pi为P中的一个元素，N为Y或P中的元素个数，λ为超参数，选取0.5。
作为优选方案，在将所述数据集的标签label和输入input传输至unet网络结构中之前，还包括：对所述数据集进行降采样，所述输入input包括4个通道，每个通道和标签label的图像长宽尺寸转换为原来的1/K。
作为优选方案，对所述oct三维图像人工标注管腔轮廓，包括：创建一个交互界面，人工在血管内oct三维图像上进行手动管腔分割。
作为优选方案，所述三维管腔二值图像包括：管腔内的部分为1，背景部分为0。
作为优选方案，根据所述三维管腔二值图像获取轮廓信息，包括：以像素值为1的所有点集的平均坐标为圆心，每间隔2°向外发射180条射线，射线所处像素值由1变化为0的点即为所采样的轮廓点。
本发明还公开了一种软件层面的血管内oct三维图像管腔分割装置，包括；模型构建模块，用于构建人工神经网络训练模型；三维图像输入模块，用于将待分割血管内的oct三维图像序列输入所述人工神经网络训练模型中；二值图像获取模块，用于获取所述人工神经网络训练模型输出的对应三维管腔二值图像；坐标获取模块，用于根据所述三维管腔二值图像获取轮廓信息，得到管腔轮廓点集坐标；结果获取模块，用于将所述管腔轮廓点集坐标与血管内oct三维图像进行匹配，获得管腔三维分割结果。
作为优选方案，所述模型构建模块，包括：图像序列获取单元，用于获取多个血管内的oct三维图像序列；人工标注单元，用于对所述oct三维图像人工标注管腔轮廓，获得管腔轮廓点集的坐标；标签生成单元，用于在全零矩阵中，根据坐标将管腔轮廓点集连接成轮廓，并进行填充，得到管腔的二值图像，作为数据集的标签label；输入生成单元，用于将所述oct三维图像的每一帧添加一层蒙版与原本图像通道叠加，形成多通道，作为数据集的输入input；训练单元，用于将所述数据集的标签label和输入input传输至unet网络结构中，进行训练，多次迭代过程后，得到最终人工神经网络训练模型。
与现有技术相比，本发明的有益效果包括：通过构建人工神经网络训练模型，并将oct三维图像序列输入其中，获取对应的三维管腔二值图像，进而得到管腔轮廓点集坐标。本发明简化了医生进行手动管腔分割的重复劳动，提高了医生分析冠脉oct图像的效率，使得医生的劳动力应用到更加专业的判断上，最终使更多的心血管患者获益。
附图说明
参照附图来说明本发明的公开内容。应当了解，附图仅仅用于说明目的，而并非意在对本发明的保护范围构成限制。在附图中，相同的附图标记用于指代相同的部件。其中：
图1为本发明实施例软件层面的血管内oct三维图像管腔分割方法的流程图；
图2为本发明实施例构建人工神经网络训练模型的流程图；
图3为本发明实施例血管内oct三维图像的单独一帧图像；
图4为本发明实施例分割后管腔的二值图像；
图5为本发明实施例单独一帧图像血管管腔最终分割结果；
图6为本发明实施例软件层面的血管内oct三维图像管腔分割装置的结构示意图；
图7为本发明实施例模型构建模块的结构示意图。
具体实施方式
容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
根据本发明的一实施方式结合图1示出。一种软件层面的血管内oct三维图像管腔分割方法，包括如下步骤：
S101：构建人工神经网络训练模型。
其中，构建人工神经网络训练模型，包括步骤S1011至S1015，如图2所示。
步骤S1011：获取多个血管内的oct三维图像序列。图像序列是指通过对一根血管从下往上进行类似切片的快速扫描的方法，将“摄像机”深入血管内部并进行快速旋转，每间隔一定时间就扫描一定厚度的血管横截面，获得每个时间点扫描的图像，即同一个血管上不同高度的横截面图像。如图3所示，为血管内oct三维图像的单独一帧图像。
步骤S1012：对oct三维图像人工标注管腔轮廓，获得管腔轮廓点集的坐标。
具体的，对oct三维图像人工标注管腔轮廓，包括：创建一个交互界面，人工在血管内oct三维图像上进行手动管腔分割。
步骤S1013：在全零矩阵中，根据坐标将管腔轮廓点集连接成轮廓，并进行填充，得到管腔的二值图像，作为数据集的标签label，如图4所示。具体的，三维管腔二值图像包括：管腔内的部分为1，背景部分为0。
步骤S1014：将oct三维图像的每一帧添加一层蒙版与原本图像通道叠加，形成多通道，作为数据集的输入input。每个oct三维图像序列的第一帧图片采用以图片中心为圆心，一定半径的圆作为蒙版，后续图片用上一帧训练的输出结果作为蒙版。
优选的，为了加快训练速度，在将数据集的标签label和输入input传输至unet网络结构中之前，还包括：对数据集进行降采样，输入input包括4个通道，每个通道和标签label的图像长宽尺寸转换为原来的1/K。K为大于1的数，K的具体取值可根据实际需求选取。
其中，输入input包括4个通道，即在每一帧图像的RGB三个通道的基础上加上蒙版的第四个通道。
步骤S1015：将数据集的标签label和输入input传输至unet网络结构中，进行训练，多次迭代过程后，得到最终人工神经网络训练模型。
应理解，unet网络结构主要分为三部分：下采样，上采样以及跳跃连接，首先将该网络分为左右部分来分析，左边是压缩的过程，即Encoder。通过卷积和下采样来降低图像尺寸，提取一些浅显的特征。右边部分是解码的过程，即Decoder。通过卷积和上采样来获取一些深层次的特征，其中卷积采用的valid的填充方式来保证结果都是基于没有缺失上下文特征得到的，因此每次经过卷积后，图像的大小会减小。中间通过concat的方式，将编码阶段获得的feature map同解码阶段获得的feature map结合在一起，结合深层次和浅层次的特征，细化图像，根据得到的feature map进行预测分割。
训练所使用的损失函数L为交叉熵（bce）与dice loss结合使用：
Figure 685513DEST_PATH_IMAGE001
其中，P为unet网络模型训练得到的预测矩阵（即二值图像），Y为标签矩阵，yi为Y中的一个元素，pi为P中的一个元素（即像素点），N为Y或P中的元素个数，λ为超参数，选取0.5。
迭代训练过程中：unet网络输出一个预测结果，通过损失函数计算预测结果与已有标签的差值（即误差），并基于反向传播算法(Bp，Back propagation)将误差传递到网络结构中的每一个隐藏层，将每一层的参数进行修正，修正的数值基于Bp算法传递的误差，如此反复，直到误差小于一定数值或迭代次数超过一定次数。
S102：将待分割血管内的oct三维图像序列输入人工神经网络训练模型中。
S103：获取人工神经网络训练模型输出的对应三维管腔二值图像。
S104：根据三维管腔二值图像获取轮廓信息，得到管腔轮廓点集坐标。
具体的，根据三维管腔二值图像获取轮廓信息，包括：以像素值为1的所有点集的平均坐标为圆心，每间隔2°向外发射180条射线，射线所处像素值由1变化为0的点即为所采样的轮廓点。
S105：将管腔轮廓点集坐标与血管内oct三维图像进行匹配，获得管腔三维分割结果，如图5所示。
具体的，管腔轮廓点集与血管内oct三维图像的匹配方法，包括：将管腔轮廓点集坐标等比例放大，变为原来的K倍，复原成压缩前的尺寸，将每一帧的对应轮廓坐标像素值设为（255,255,255），相邻像素所连直线上的像素点也设为（255,255,255）。
如图6所示，本发明还公开了一种软件层面的血管内oct三维图像管腔分割装置，包括；
模型构建模块101，用于构建人工神经网络训练模型。
三维图像输入模块102，用于将待分割血管内的oct三维图像序列输入人工神经网络训练模型中。
二值图像获取模块103，用于获取人工神经网络训练模型输出的对应三维管腔二值图像。
坐标获取模块104，用于根据三维管腔二值图像获取轮廓信息，得到管腔轮廓点集坐标。
结果获取模块105，用于将管腔轮廓点集坐标与血管内oct三维图像进行匹配，获得管腔三维分割结果。
如图7所示，上述模型构建模块101，包括：
图像序列获取单元1011，用于获取多个血管内的oct三维图像序列；
人工标注单元1012，用于对oct三维图像人工标注管腔轮廓，获得管腔轮廓点集的坐标；
标签生成单元1013，用于在全零矩阵中，根据坐标将管腔轮廓点集连接成轮廓，并进行填充，得到管腔的二值图像，作为数据集的标签label；
输入生成单元1014，用于将oct三维图像的每一帧添加一层蒙版与原本图像通道叠加，形成多通道，作为数据集的输入input；
训练单元1015，用于将数据集的标签label和输入input传输至unet网络结构中，进行训练，多次迭代过程后，得到最终人工神经网络训练模型。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
综上所述，本发明的有益效果包括：通过构建人工神经网络训练模型，并将oct三维图像序列输入其中，获取对应的三维管腔二值图像，进而得到管腔轮廓点集坐标。本发明简化了医生进行手动管腔分割的重复劳动，提高了医生分析冠脉oct图像的效率，使得医生的劳动力应用到更加专业的判断上，最终使更多的心血管患者获益。
本发明的技术范围不仅仅局限于上述说明中的内容，本领域技术人员可以在不脱离本发明技术思想的前提下，对上述实施例进行多种变形和修改，而这些变形和修改均应当属于本发明的保护范围内。

Claims (8)

1.一种软件层面的血管内oct三维图像管腔分割方法，其特征在于，包括：
构建人工神经网络训练模型；
将待分割血管内的oct三维图像序列输入所述人工神经网络训练模型中；
获取所述人工神经网络训练模型输出的对应三维管腔二值图像；
根据所述三维管腔二值图像获取轮廓信息，得到管腔轮廓点集坐标；
将所述管腔轮廓点集坐标与血管内oct三维图像进行匹配，获得管腔三维分割结果；
其中，所述构建人工神经网络训练模型，包括：
获取多个血管内的oct三维图像序列；
对所述oct三维图像人工标注管腔轮廓，获得管腔轮廓点集的坐标；
在全零矩阵中，根据坐标将管腔轮廓点集连接成轮廓，并进行填充，得到管腔的二值图像，作为数据集的标签label；
将所述oct三维图像的每一帧添加一层蒙版与原本图像通道叠加，形成多通道，作为数据集的输入input；
将所述数据集的标签label和输入input传输至unet网络结构中，进行训练，多次迭代后，得到最终人工神经网络训练模型。
2.根据权利要求1所述的软件层面的血管内oct三维图像管腔分割方法，其特征在于，每个oct三维图像序列的第一帧图片采用以图片中心为圆心，一定半径的圆作为蒙版，后续图片用上一帧训练的输出结果作为蒙版。
3.根据权利要求1所述的软件层面的血管内oct三维图像管腔分割方法，其特征在于，训练所使用的损失函数为：
Figure DEST_PATH_IMAGE001
其中，P为unet网络模型训练得到的预测矩阵，Y为标签矩阵，yi为Y中的一个元素，pi为P中的一个元素，N为Y或P中的元素个数，λ为超参数，选取0.5。
4.根据权利要求1所述的软件层面的血管内oct三维图像管腔分割方法，其特征在于，在将所述数据集的标签label和输入input传输至unet网络结构中之前，还包括：对所述数据集进行降采样，所述输入input包括4个通道，每个通道和标签label的图像长宽尺寸转换为原来的1/K。
5.根据权利要求1所述的软件层面的血管内oct三维图像管腔分割方法，其特征在于，对所述oct三维图像人工标注管腔轮廓，包括：创建一个交互界面，人工在血管内oct三维图像上进行手动管腔分割。
6.根据权利要求1所述的软件层面的血管内oct三维图像管腔分割方法，其特征在于，所述三维管腔二值图像包括：管腔内的部分为1，背景部分为0。
7.根据权利要求1所述的软件层面的血管内oct三维图像管腔分割方法，其特征在于，根据所述三维管腔二值图像获取轮廓信息，包括：以像素值为1的所有点集的平均坐标为圆心，每间隔2°向外发射180条射线，射线所处像素值由1变化为0的点即为所采样的轮廓点。
8.一种软件层面的血管内oct三维图像管腔分割装置，其特征在于，包括：
模型构建模块，用于构建人工神经网络训练模型；
三维图像输入模块，用于将待分割血管内的oct三维图像序列输入所述人工神经网络训练模型中；
二值图像获取模块，用于获取所述人工神经网络训练模型输出的对应三维管腔二值图像；
坐标获取模块，用于根据所述三维管腔二值图像获取轮廓信息，得到管腔轮廓点集坐标；
结果获取模块，用于将所述管腔轮廓点集坐标与血管内oct三维图像进行匹配，获得管腔三维分割结果；
其中，所述模型构建模块，包括：
图像序列获取单元，用于获取多个血管内的oct三维图像序列；
人工标注单元，用于对所述oct三维图像人工标注管腔轮廓，获得管腔轮廓点集的坐标；
标签生成单元，用于在全零矩阵中，根据坐标将管腔轮廓点集连接成轮廓，并进行填充，得到管腔的二值图像，作为数据集的标签label；
输入生成单元，用于将所述oct三维图像的每一帧添加一层蒙版与原本图像通道叠加，形成多通道，作为数据集的输入input；
训练单元，用于将所述数据集的标签label和输入input传输至unet网络结构中，进行训练，多次迭代过程后，得到最终人工神经网络训练模型。
CN202110174321.3A 2021-02-07 2021-02-07 一种软件层面的血管内oct三维图像管腔分割方法和装置 Active CN112529906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110174321.3A CN112529906B (zh) 2021-02-07 2021-02-07 一种软件层面的血管内oct三维图像管腔分割方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110174321.3A CN112529906B (zh) 2021-02-07 2021-02-07 一种软件层面的血管内oct三维图像管腔分割方法和装置

Publications (2)

Publication Number Publication Date
CN112529906A CN112529906A (zh) 2021-03-19
CN112529906B true CN112529906B (zh) 2021-05-14

Family

ID=74975711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110174321.3A Active CN112529906B (zh) 2021-02-07 2021-02-07 一种软件层面的血管内oct三维图像管腔分割方法和装置

Country Status (1)

Country Link
CN (1) CN112529906B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362332A (zh) * 2021-06-08 2021-09-07 南京信息工程大学 Oct影像下冠状动脉管腔轮廓的深度网络分割方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101593205A (zh) * 2009-06-24 2009-12-02 清华大学 基于视频的三维模型检索方法
CN110136157A (zh) * 2019-04-09 2019-08-16 华中科技大学 一种基于深度学习的三维颈动脉超声图像血管壁分割方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9357916B2 (en) * 2012-05-10 2016-06-07 Carl Zeiss Meditec, Inc. Analysis and visualization of OCT angiography data
CN111627017B (zh) * 2020-05-29 2024-02-23 苏州博动戎影医疗科技有限公司 一种基于深度学习的血管管腔自动分割方法
CN111899247B (zh) * 2020-07-31 2024-05-24 平安科技（深圳）有限公司 脉络膜血管的管腔区域识别方法、装置、设备及介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101593205A (zh) * 2009-06-24 2009-12-02 清华大学 基于视频的三维模型检索方法
CN110136157A (zh) * 2019-04-09 2019-08-16 华中科技大学 一种基于深度学习的三维颈动脉超声图像血管壁分割方法

Also Published As

Publication number Publication date
CN112529906A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
US8483488B2 (en) Method and system for stabilizing a series of intravascular ultrasound images and extracting vessel lumen from the images
US7978916B2 (en) System and method for identifying a vascular border
CN108618749B (zh) 基于便携式数字化眼底照相机的视网膜血管三维重建方法
CN111627017B (zh) 一种基于深度学习的血管管腔自动分割方法
CN110675335B (zh) 基于多分辨率残差融合网络的浅表静脉增强方法
CN111667478A (zh) Cta到mra跨模态预测的颈动脉斑块识别方法及系统
CN114037714A (zh) 一种面向前列腺系统穿刺的3d mr与trus图像分割方法
CN113420826A (zh) 一种肝脏病灶图像处理系统及图像处理方法
CN109068035B (zh) 一种智能微相机阵列内窥成像系统
CN116958217B (zh) 一种mri与ct多模态3d自动配准方法及装置
JP7023196B2 (ja) 検査支援装置、方法およびプログラム
JP7071240B2 (ja) 検査支援装置、方法およびプログラム
CN112529906B (zh) 一种软件层面的血管内oct三维图像管腔分割方法和装置
CN115553816A (zh) 一种便携式三维颈动脉超声自动诊断系统以及方法
CN104517315A (zh) 基于交互式区域生长法的双侧输尿管重建方法与系统
CN113744215B (zh) 三维断层扫描图像中树状管腔结构中心线的提取方法和装置
CN112950734B (zh) 冠脉重建方法、装置、电子设备和存储介质
CN117523204A (zh) 面向医疗场景的肝脏肿瘤图像分割方法、装置和可读存储介质
WO2023054467A1 (ja) モデル生成方法、学習モデル、コンピュータプログラム、情報処理方法及び情報処理装置
CN112070778A (zh) 一种基于血管内oct和超声图像融合的多参量提取方法
CN111798438B (zh) 一种血管内超声图像智能分割方法及系统
CN112085657B (zh) 一种基于双目立体视觉跟踪和视网膜血管特征的oct图像拼接方法
CN112669256B (zh) 一种基于迁移学习的医学图像分割与显示方法
JP7023195B2 (ja) 検査支援装置、方法およびプログラム
Lopez-Perez et al. Bone surface reconstruction using localized freehand ultrasound imaging

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