CN112785588B - 一种ct与mr脑灌注数据的运动幅度自动估计方法 - Google Patents

一种ct与mr脑灌注数据的运动幅度自动估计方法 Download PDF

Info

Publication number
CN112785588B
CN112785588B CN202110159608.9A CN202110159608A CN112785588B CN 112785588 B CN112785588 B CN 112785588B CN 202110159608 A CN202110159608 A CN 202110159608A CN 112785588 B CN112785588 B CN 112785588B
Authority
CN
China
Prior art keywords
abnormal
matrix
data
motion
theta
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
CN202110159608.9A
Other languages
English (en)
Other versions
CN112785588A (zh
Inventor
边钺岩
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 Yuexi Medical Technology Co ltd
Original Assignee
Nanjing Yuexi 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 Yuexi Medical Technology Co ltd filed Critical Nanjing Yuexi Medical Technology Co ltd
Priority to CN202110159608.9A priority Critical patent/CN112785588B/zh
Publication of CN112785588A publication Critical patent/CN112785588A/zh
Application granted granted Critical
Publication of CN112785588B publication Critical patent/CN112785588B/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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based 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
    • G06T2207/10—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种CT与MR脑灌注数据的运动幅度自动估计方法，用以对数据进行评估提示，滤除运动幅度过大导致无法准确进行后处理的数据；本发明提供的具体技术方案如下：本发明技术方案主要通过3个步骤实现：第一步，使用通用技术对数据进行时间轴的刚性配准；第二步，通过配准矩阵提取特征；第三步，评估运动幅度。本发明能够以客观的标准评估运动的幅度，并定位运动产生的位置和时间；本发明关键点在于计算异常期和异常层的方法，以及判断整体数据是否运动过大的方法。

Description

一种CT与MR脑灌注数据的运动幅度自动估计方法
技术领域
本发明涉及医疗领域，具体涉及一种CT与MR脑灌注数据的运动幅度自动估计方法。
背景技术
4D脑灌注数据是在对同一位置进行多个时间期的扫描结果，但由于通常整个扫描时间较长，在扫描期间病人难免会发生小幅度移动，这就要对扫描后的数据进行配准，然后进行时间轴上的分析。
然而因为数据本身的层厚较厚，通常在5mm以上，所以运动的幅度过大时，由于插值操作高层厚的数据会产生数值的突变，引起后续步骤的计算误差。为了计算结果的准确性，需要对数据的配准效果进行。
目前存在各种刚性配准技术来实现配准，但无法完美的完成这种层厚较厚数据的时间轴配准。同时，也未有对其运动幅度进行估计判定的有效方法。
上述的背景技术中，主要缺点为：配准后的数据如果依然存在大幅度的运动，会造成将运动造成的信号变化看作是对比剂的突出变化特征，从而造成脑组织时间密度曲线的特征混淆，最终导致灌注参数图的误差。
发明内容
本发明中包含一种CT与MR脑灌注数据的运动幅度自动估计方法，用以对数据进行评估提示，滤除运动幅度过大导致无法准确进行后处理的数据。
为实现上述目的，本发明提供的具体技术方案如下：
一种CT与MR脑灌注数据的运动幅度自动估计方法，其特征在于，使用基于互信息相似性测度的二维刚性配准方法对数据进行时间轴的刚性配准，用以对数据进行评估提示，滤除运动幅度过大导致无法准确进行后处理的数据。
包括3个步骤：第一步，使用通用技术对数据进行时间轴的刚性配准；第二步，通过配准矩阵提取特征；第三步，评估运动幅度。
所述第一步还包括，使用基于互信息相似性测度的二维刚性配准方法对体数据进行处理，通过改变待配准图像的配准参数，不断迭代，直到两幅图像的互信息值达到最大值，或迭代次数达到上限时，停止迭代，得到配准结果R。
所述基于互信息相似性测度的二维刚性配准方法包括：
对于两个随机变量A，B，其概率分布分别为PA(a)，PB(b)，联合概率分布为PAB(a，b)，则他们的信息熵和联合熵可用如下公式表示：
H(A)＝ -ΣPA(a)logPA(a) (1)
H(B)＝ -ΣPB(b)logPB(b) (2)
H(A，B)＝ -ΣPAB(a,b)logPAB(a,b) (3)
其中，H(A)为随机变量A的信息熵；H(B)为随机变量B的信息熵；
H(A，B)为两个随机变量A，B的联合熵；
互信息定义I(A，B)为：
I(A，B)＝H(A)+H(B)-H(A,B) (4)
根据信息熵计算的Dobrushin公式，可以推导出互信息的计算公式：
Figure BDA0002935858720000021
联合概率密度函数可以由两幅图像之间的重叠区域的联合直方图来估计；
设两幅图像的联合密度直方图为h(A,B)，则可得：
Figure BDA0002935858720000022
Figure BDA0002935858720000023
Figure BDA0002935858720000024
代入(5)即可得基于灰度直方图的互信息计算公式。
所述第二步通过如下步骤实现：
S1：利用下式计算旋转角度θ：
Figure BDA0002935858720000025
a＝cosθ,b＝sinθ,
Figure BDA0002935858720000026
其中，R(θ)为对应角度是θ时的旋转矩阵，每一张图像的旋转角度记为θ(z,t)，z代表体数据的第z层，t代表体数据的第t期，θ矩阵就是运动特征矩阵；
S2：求θ在两个方向上的梯度矩阵θz和θt，以|θt|>1为条件，得到异常层二值化矩阵Mz；
S3：对异常层二值化矩阵Mz进行先膨胀，再腐蚀的闭操作后，计算Mz的每一行中数值为1的比例；将此比例大于80％的行，定义成异常层，并将与异常层对应的行索引加入异常层索引集合Az，表示Az所对应的层都是异常层；将异常层二值化矩阵Mz中与异常层索引集合Az对应的行全部置为1，得到新的异常层二值化矩阵Mz1；
S4：计算θt每一列的均值，得到均值向量m，找到m中大于1.5的元素，其对应列定义为异常期，并将与异常期对应的索引加入异常期索引集合At，表示At所对应的期都是异常期；将Mz的异常期对应列都置为1，得到运动异常矩阵Me。
所述第三步还包括，统计运动异常矩阵Me的所有1在运动异常矩阵Me元素中占的比例Re，当Re>35％时，该数据判定为运动过大，不适合后续计算，并输出异常层Az和异常期At。
一种脑灌注数据的运动幅度估计装置，其特征在于，包括：
模块1，用于对数据进行时间轴的刚性配准；
模块2，用于配准矩阵提取特征；
模块3，用于统计Me的所有1在Me元素中占的比例Re，进而评估数据运动幅度。
一种脑灌注数据的运动幅度存储和处理装置，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现所述的CT与MR脑灌注数据的运动幅度自动估计方法。
一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的CT与MR脑灌注数据的运动幅度自动估计方法。
本发明能够以客观的标准评估运动的幅度，并定位运动产生的位置和时间。本发明关键点在于计算异常期和异常层的方法，以及判断整体数据是否运动过大的方法。
附图说明
图1为本发明运动幅度自动估计流程图；
图2为脑灌注存在异常运动的数据的示意图；
图3为异常期检测结果示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述，但并不以此作为对本申请保护范围的限定。
一种CT与MR脑灌注数据的运动幅度自动估计方法，其特征在于，包括3个步骤：第一步，使用通用技术对数据进行时间轴的刚性配准；第二步，通过配准矩阵提取特征；第三步，评估运动幅度。
所述第一步还包括，使用基于互信息相似性测度的二维刚性配准方法对体数据进行处理，通过改变待配准图像的配准参数，不断迭代，直到两幅图像的互信息值达到最大值，或迭代次数达到上限时，停止迭代，得到配准结果R。
所述第二步通过如下步骤实现：
S1：利用下式计算旋转角度θ：
Figure BDA0002935858720000041
a＝cosθ,b＝sinθ,
Figure BDA0002935858720000042
其中，R(θ)为对应角度是θ时的旋转矩阵，每一张图像的旋转角度记为θ(z,t)，z代表体数据的第z层，t代表体数据的第t期，θ矩阵就是运动特征矩阵；
S2：求θ在两个方向上的梯度矩阵θz和θt，以|θt|>1为条件，得到异常层二值化矩阵Mz；
S3：对异常层二值化矩阵Mz进行先膨胀，再腐蚀的闭操作后，计算Mz的每一行中数值为1的比例；将此比例大于80％的行，定义成异常层，并将与异常层对应的行索引加入异常层索引集合Az，表示Az所对应的层都是异常层；将异常层二值化矩阵Mz中与异常层索引集合Az对应的行全部置为1，得到新的异常层二值化矩阵Mz1；
S4：计算θt每一列的均值，得到均值向量m，找到m中大于1.5的元素，其对应列定义为异常期，并将与异常期对应的索引加入异常期索引集合At，表示At所对应的期都是异常期；将Mz的异常期对应列都置为1，得到运动异常矩阵Me。
所述第三步还包括，统计运动异常矩阵Me的所有1在运动异常矩阵Me元素中占的比例Re，当Re>35％时，该数据判定为运动过大，不适合后续计算，并输出异常层Az和异常期At。
一种脑灌注数据的运动幅度估计装置，其特征在于，包括：
模块1，用于对数据进行时间轴的刚性配准；
模块2，用于配准矩阵提取特征；
模块3，用于统计Me的所有1在Me元素中占的比例Re，进而评估数据运动幅度。
一种脑灌注数据的运动幅度存储和处理装置，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现所述的CT与MR脑灌注数据的运动幅度自动估计方法。
一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的CT与MR脑灌注数据的运动幅度自动估计方法。
如图2所示，为存在异常运动的数据，显示的是每一个采集周期的头部数据，这些数据的朝向应该是相同的，但本数据存在异常，朝向不一致且有较大的差异。
如图3所示，为使用本方法后检测到的异常期图像，在图像中以圆点进行了标记，代表运动幅度过大，检测结果与实际图像相对应。
本发明已经做出自动化的软件，通过医生临床使用证实这种方法更接近临床实际。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种CT与MR脑灌注数据的运动幅度自动估计方法，其特征在于，包括使用基于互信息相似性测度的二维刚性配准方法对数据进行时间轴的刚性配准，用以对数据进行评估提示，滤除运动幅度过大导致无法准确进行后处理的数据；具体包括3个步骤：第一步，使用通用技术对数据进行时间轴的刚性配准；第二步，通过配准矩阵提取特征；第三步，根据异常运动比例评估运动幅度；所述第一步还包括，使用基于互信息相似性测度的二维刚性配准方法对体数据进行处理，通过改变待配准图像的配准参数，不断迭代，直到两幅图像的互信息值达到最大值，或迭代次数达到上限时，停止迭代，得到配准结果R(θ)；
所述第一步还包括，使用基于互信息相似性测度的二维刚性配准方法对体数据进行处理，通过改变待配准图像的配准参数，不断迭代，直到两幅图像的互信息值达到最大值，或迭代次数达到上限时，停止迭代，得到配准结果R；
所述基于互信息相似性测度的二维刚性配准方法包括：
对于两个随机变量A，B，其概率分布分别为PA(a)，PB(b)，联合概率分布为PAB(a，b)，则他们的信息熵和联合熵可用如下公式表示：
H(A)＝-ΣPA(a)logPA(a) (1)
H(B)＝-ΣPB(b)logPB(b) (2)
H(A，B)＝-ΣPAB(a,b)logPAB(a,b) (3)
互信息定义为：
I(A，B)＝H(A)+H(B)-H(A,B) (4)
根据信息熵计算的Dobrushin公式，可以推导出互信息的计算公式：
Figure FDA0003196673780000011
联合概率密度函数可以由两幅图像之间的重叠区域的联合直方图来估计；设两幅图像的联合密度直方图为h(A,B)，则可得：
Figure FDA0003196673780000012
Figure FDA0003196673780000013
Figure FDA0003196673780000014
代入(5)即可得基于灰度直方图的互信息计算公式；
所述第二步通过如下步骤实现：
S1：利用下式计算旋转角度θ：
Figure FDA0003196673780000021
a＝cosθ,b＝sinθ,
Figure FDA0003196673780000022
其中，R(θ)为对应角度是θ时的旋转矩阵，每一张图像的旋转角度记为θ(z,t)，z代表体数据的第z层，t代表体数据的第t期，θ矩阵就是运动特征矩阵；
S2：求θ在两个方向上的梯度矩阵θz和θt，以|θt|>1为条件，得到异常层二值化矩阵Mz；
S3：对异常层二值化矩阵Mz进行先膨胀，再腐蚀的闭操作后，计算Mz的每一行中数值为1的比例；将此比例大于80％的行，定义成异常层，并将与异常层对应的行索引加入异常层索引集合Az，表示Az所对应的层都是异常层；将异常层二值化矩阵Mz中与异常层索引集合Az对应的行全部置为1，得到新的异常层二值化矩阵Mz1；
S4：计算θt每一列的均值，得到均值向量m，找到m中大于1.5的元素，其对应列定义为异常期，并将与异常期对应的索引加入异常期索引集合At，表示At所对应的期都是异常期；将Mz的异常期对应列都置为1，得到运动异常矩阵Me；
所述第三步还包括，统计运动异常矩阵Me的所有1在运动异常矩阵Me元素中占的比例Re，当Re>35％时，该数据判定为运动过大，不适合后续计算，并输出异常层Az和异常期At。
2.一种脑灌注数据的运动幅度估计装置，其特征在于，包括：
模块1，用于使用基于互信息相似性测度的二维刚性配准方法对体数据进行处理，对数据进行时间轴的刚性配准；
模块2，用于配准矩阵提取特征；首先计算旋转角度θ，然后求θ在两个方向上的梯度矩阵θz和θt，得到异常层二值化矩阵Mz，将其中与异常层索引集合Az对应的行全部置为1，得到新的异常层二值化矩阵Mz1，将Mz的异常期对应列都置为1最终得到运动异常矩阵Me；
模块3，用于统计运动异常矩阵Me的所有1在运动异常矩阵Me元素中占的异常运动比例Re，进而评估数据运动幅度；当Re>35％时，该数据判定为运动过大，不适合后续计算，并输出异常层Az和异常期At。
3.一种脑灌注数据的运动幅度存储和处理装置，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如权利要求1所述的CT与MR脑灌注数据的运动幅度自动估计方法。
4.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1所述的CT与MR脑灌注数据的运动幅度自动估计方法。
CN202110159608.9A 2021-02-05 2021-02-05 一种ct与mr脑灌注数据的运动幅度自动估计方法 Active CN112785588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110159608.9A CN112785588B (zh) 2021-02-05 2021-02-05 一种ct与mr脑灌注数据的运动幅度自动估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110159608.9A CN112785588B (zh) 2021-02-05 2021-02-05 一种ct与mr脑灌注数据的运动幅度自动估计方法

Publications (2)

Publication Number Publication Date
CN112785588A CN112785588A (zh) 2021-05-11
CN112785588B true CN112785588B (zh) 2021-09-14

Family

ID=75760983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110159608.9A Active CN112785588B (zh) 2021-02-05 2021-02-05 一种ct与mr脑灌注数据的运动幅度自动估计方法

Country Status (1)

Country Link
CN (1) CN112785588B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113712581B (zh) * 2021-09-14 2024-04-16 上海联影医疗科技股份有限公司 一种灌注分析方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411781A (zh) * 2011-09-09 2012-04-11 华南理工大学 一种双能减影胸部x射线图像的运动校正系统
CN102764135A (zh) * 2012-04-23 2012-11-07 深圳市贝斯达医疗器械有限公司 心肌spect灌注显像的心脏轴向移动校正方法
CN103123666A (zh) * 2012-12-06 2013-05-29 首都医科大学附属北京安贞医院 肺灌注和通气断层显像定量分析软件
CN104508703A (zh) * 2012-06-28 2015-04-08 皇家飞利浦有限公司 用于配准图像序列的系统和方法
CN106709900A (zh) * 2015-11-17 2017-05-24 上海联影医疗科技有限公司 一种心脏灌注磁共振图像的配准方法
CN106952285A (zh) * 2017-02-15 2017-07-14 上海交通大学 基于先验统计运动模型及自适应配准的肺部运动估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100515345C (zh) * 2003-06-12 2009-07-22 伯拉考开发股份有限公司 通过超声造影成像中的补给曲线拟合进行的血液流动估计

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411781A (zh) * 2011-09-09 2012-04-11 华南理工大学 一种双能减影胸部x射线图像的运动校正系统
CN102764135A (zh) * 2012-04-23 2012-11-07 深圳市贝斯达医疗器械有限公司 心肌spect灌注显像的心脏轴向移动校正方法
CN104508703A (zh) * 2012-06-28 2015-04-08 皇家飞利浦有限公司 用于配准图像序列的系统和方法
CN103123666A (zh) * 2012-12-06 2013-05-29 首都医科大学附属北京安贞医院 肺灌注和通气断层显像定量分析软件
CN106709900A (zh) * 2015-11-17 2017-05-24 上海联影医疗科技有限公司 一种心脏灌注磁共振图像的配准方法
CN106952285A (zh) * 2017-02-15 2017-07-14 上海交通大学 基于先验统计运动模型及自适应配准的肺部运动估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于核磁共振图像的心肌灌注功能定量分析学";宗琪;《万方数据知识服务平台》;20171129;第3.3-3.5节 *

Also Published As

Publication number Publication date
CN112785588A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN109754387B (zh) 一种全身骨显像放射性浓聚灶的智能检测定位方法
JP5893623B2 (ja) データ・セットにおける異常検出方法およびシステム
CN103249358B (zh) 医用图像处理装置
KR101876338B1 (ko) 신경망을 이용한 간 경변 예측 장치 및 방법
US20120116219A1 (en) System and method of ultrasound image processing
EP2422318A1 (en) Quantification of medical image data
CN111445546B (zh) 图像重建方法、装置、电子设备、存储介质
US20210303933A1 (en) Validity evaluation device for cancer region detection
CN111739647B (zh) 基于磁共振影像的双相障碍自杀风险预测方法及相关装置
CN111612756B (zh) 冠状动脉特异性钙化检测方法及装置
CN110956634A (zh) 一种基于深度学习的脑微出血自动检测方法及系统
CN112785588B (zh) 一种ct与mr脑灌注数据的运动幅度自动估计方法
JP5532730B2 (ja) Ｃｎｒ測定装置，方法及びコンピュータプログラム
CN111968160B (zh) 图像匹配方法和存储介质
EP1910998A2 (en) System and method for automatic segmentation of vessels in breast mr sequences
CN115661152B (zh) 基于模型预测的目标发展情况分析方法
CN108416792B (zh) 基于活动轮廓模型的医学计算机断层扫描图像分割方法
JP5132559B2 (ja) デジタル画像のセグメント化方法およびコンピュータ読み取り可能なプログラム記憶装置
CN113723486A (zh) 一种离心泵多模态监测数据清洗及建模方法
Domingos et al. Local phase-based fast ray features for automatic left ventricle apical view detection in 3D echocardiography
EP4036843A1 (en) Method and apparatus for processing a medical image
EP4113439B1 (en) Determining a location at which a given feature is represented in medical imaging data
CN111008976B (zh) Pet图像的筛选方法和装置
CN116630273A (zh) 肾脏的检测方法及检测装置
CN117576022A (zh) 一种莫尔条纹流场区域自动获取方法

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