CN112790741B - 脑血管形态特征定量分析方法 - Google Patents

脑血管形态特征定量分析方法 Download PDF

Info

Publication number
CN112790741B
CN112790741B CN202110106311.6A CN202110106311A CN112790741B CN 112790741 B CN112790741 B CN 112790741B CN 202110106311 A CN202110106311 A CN 202110106311A CN 112790741 B CN112790741 B CN 112790741B
Authority
CN
China
Prior art keywords
blood vessel
points
calculating
adjacent
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
CN202110106311.6A
Other languages
English (en)
Other versions
CN112790741A (zh
Inventor
王鹤
张博宇
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Fudan 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 Fudan University filed Critical Fudan University
Priority to CN202110106311.6A priority Critical patent/CN112790741B/zh
Publication of CN112790741A publication Critical patent/CN112790741A/zh
Application granted granted Critical
Publication of CN112790741B publication Critical patent/CN112790741B/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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Vascular Medicine (AREA)
  • Cardiology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明属于医学影像技术领域，具体为一种脑血管形态特征定量分析方法。本发明利用血管网络的结构特点，通过构建血管网络邻接矩阵实现各项定量特征的计算，具有很强的普适性，可用于X射线、CT、MRI等不同采集方式获取的血管影像。分析结果包含血管分支数目、分支长度、血管半径、血管弯曲度、血管网络复杂度等多种特征，能够有效提高医生分析血管定量参数的效率；本发明具有旋转不变性，血管影像经过旋转后不影响分析结果，可实现二维血管影像以及三维血管影像的自动分析。本发明在心血管疾病以及未来其他重大血管疾病的智能诊治中发挥巨大的作用，极具市场潜力和经济社会效益。

Description

脑血管形态特征定量分析方法
技术领域
本发明属于医学影像技术领域，具体涉及一种脑血管形态特征定量分析方法。
背景技术
众多疾病的产生与发展往往伴随着组织器官内血管的异常和病变。随着医学影像技术的飞速发展，利用各种成像方法无创地观察组织血管，分析和研究血管的变化情况，在临床中发挥重要作用。
血管异常与病变是心脑血管疾病、肝硬化、各色肿瘤等多种疾病主要特征。长期以来，组织血管定量分析的方法是利用组织切片，测量血管密度、血管长度和管径等相关参数。此类方法属有创的方法，在实施过程中，需重复进行血管染色，借助光学显微镜进行观测。测量结果受染色结果的影响较大，同时光学显微镜的观测范围十分有限，影响测量结果的准确性。随着成像技术的不断发展，采用X射线，CT，PET，MR等成像技术，能够实现无创的获取组织血管影像，进一步可利用算法进行血管定量分析。
目前临床医生利用医学影像分析血管分布和形态变化，研究相关疾病的预防、发现和诊治方法，往往只能凭借主观的经验观察，对疾病的严重程度、治疗效果等的分析过分依赖医生本身的主观判断。同时，伴随着成像技术的进步和完善，影像所包含的信息更为丰富与复杂，加重了医生观测与分析数据的负担，进而影响诊断的准确性和治疗效果。因此，对血管进行自动的定量分析具有十分重要的实用价值。现有的血管定量分析方法能够实现简单的分支、半径计算，但缺少其他定量方法，难以用于肿瘤鉴别。
本发明利用CT、MR等影像，自动提取脑血管的定量特征，包括血管密度类特征，血管弯曲度特征和血管网络特征等。利用这些血管定量特征可用于识别、评估脑血管疾病，如脑卒中、脑动脉瘤、脑动脉狭窄等。
发明内容
针对现有技术存在的不足，本发明旨在提供一种自动脑血管形态特征定量分析方法。该方法适用于不同采集方式获取的血管图像，能够自动计算血管的分支、半径、弯曲度等特征，可便于临床分析与诊治。
本发明提供的脑血管形态特征定量分析方法，具体步骤如下：
步骤S1，从不同的采集方式中，获取组织影像的血管结构；
步骤S2，利用形态学细化算法(Kollmannsberger Pet al.The small world ofosteocytes:connectomics of the lacuno-canalicular network in bone.New Journalof Physics.2017)，对步骤S1中的血管结构进行细化，获取血管结构的中心线，中心线所有点的集合记为C；
步骤S3，判断血管中心线上点之间的邻接关系，构建中心线上所有点的邻接矩阵，记为A；
步骤S4，利用邻接矩阵计算中心线上所有点的度，根据度的大小将所有点分为结点与边结点：度为2的点是边结点，记为E，其他点为结点，记为N；
步骤S5，利用遍历搜索方法，构建结点的邻接矩阵，记为Anode，并得到中心线各分支的长度与分支个数；
步骤S6，计算所有边结点所处位置的血管半径；
步骤S7，计算所有边结点的弯曲程度，求出每条分支的平均弯曲程度；
步骤S8，利用邻接矩阵A，计算血管网络的聚类系数、网络结构熵。
本发明步骤S3中，所述邻接关系是指两点距离小于等于
Figure BDA0002917762050000021
本发明步骤S4中，所述计算中心线上所有点的度，其中点的度是指与该点邻接的点的个数。
本发明步骤S5中，所述利用遍历搜索方法构建结点邻接矩阵，具体包括如下子步骤：
步骤S51，从N中随机选取一个结点ni，利用邻接矩阵A，找出所有与之相邻的点，记为集合S；
步骤S52，从S中一点出发，重复搜寻其下一个相邻点，直到出现一个相邻点为结点nj的点，记ni与nj邻接，并计算搜寻次数，记为分支长度；
步骤S53，重复步骤S52，直至搜索完成集合S中的所有点；
步骤S54，重复步骤S51、步骤S52、步骤S53，直至搜索完成集合N中的所有点；
步骤S55，利用邻接矩阵Anode，计算出分支数。
本发明步骤S6中，所述计算所有边结点所处位置的血管半径，具体包括如下子步骤：
步骤S61，从E中随机选取一点ei，利用邻接矩阵A，找出与之相邻的两个点，ei与相邻两点构成的向量记为Vi1、Vi2；
步骤S62，分别计算ei位置下，血管在水平面、冠状面和矢状面的截面面积；
步骤S63，计算水平面、冠状面和矢状面截面面积在向量Vi1、Vi2上的投影；
步骤S64，计算所有投影面积的均值，记为ei位置下的横截面积，并计算半径；
步骤S65，重复步骤S61、步骤S62、步骤S63、步骤S64，直至完成E中所有点的计算。
本发明步骤S7中，所述计算所有边结点的弯曲程度，求出每条分支的平均弯曲程度；
本发明步骤S8中，所述利用邻接矩阵A，计算血管网络的聚类系数、网络结构熵；
基于上述脑血管形态特征定量分析方法，本发明还构建了脑血管形态特征定量分析系统。该定量分析系统包括：形态学细化算法模块，邻接矩阵构建模块，结点与边结点构建模块，结点邻接矩阵构建模块，血管半径、弯曲度计算模块，血管网络的聚类系数、网络结构熵计算模块；这些模块用于执行本发明方法中，步骤S2、步骤S3、步骤S4、步骤S5、步骤S6和步骤S7、步骤S8的操作。
与现有技术相比，本发明具有如下有益效果：
1、相较于传统的组织切片法分析血管定量参数，本发明提出通用的血管自动定量分析方法，能够实现全自动血管定量分析；分析结果中包含血管分支数目，分支长度，血管半径，血管弯曲度，血管网络复杂度等多种特征，能够十分有效地提高医生分析血管定量参数的效率，促进相关领域研究；
2、本发明利用血管网络的结构特点，构建网络邻接矩阵实现各项定量特征的计算，具有很强的普适性，可用于X射线、CT、MRI等不同采集方式获取的血管影像；本发明具有旋转不变性，血管影像经过旋转后不影响分析结果，可实现二维血管影像以及三维血管影像的自动分析；
3、本发明利用血管影像分析得出的定量参数，能够得到优于传统主观观测法的定量结果，可供临床医生对比分析病变与非病变、轻度病变与重度病变之间的血管定量差异；利用显著的定量差异，可构建相关疾病的评价标准，用于诊断相关疾病；
4、本发明提供的方法可融入软硬件开发，制成智能分析器，智能APP等相关分析系统，可大幅提升血管定量分析效率，促进心脑血管疾病等的诊断和预防研究；通过分析血管定量参数与疾病的关系，建立疾病评价标准，可实现疾病的早期发现及治疗效果评价，以促进血管疾病诊治研究，提升相关疾病的治愈率；本发明在心血管疾病以及未来其他重大血管疾病的智能诊治中发挥巨大的作用，极具市场潜力和经济社会效益；
5、本发明是一种通用的血管分析方法，利用相关影像不仅可实现动物血管、人体血管等活体血管的分析，也可用于其他管状结构的分析，如电网、水管网络等的分析，具有很强的适用性。
附图说明
图1为本发明方法或系统的流程图示。
图2为处理磁共振血管增强影像流程图。
图3为提取的脑血管形态特征图示。其中，(A)为血管半径，(B)为血管弯曲度。
具体实施方式
下面，以分析磁共振脑血管增强影像(MRA-TOF)为例，结合附图对本发明的具体实施方式做详细说明，图2为本发明提供的MRA-TOF血管分析方法流程图。
步骤S1，从MRA-TOF中提取血管影像，该影像中只包含管状结构。
步骤S2，利用形态学细化算法，对步骤S1中的血管结构进行细化，获取血管结构的中心线，中心线所有点的集合记为C。
步骤S3，判断血管中心线上各个点之间的邻接关系，两点距离小于等于
Figure BDA0002917762050000041
则存在邻接关系，点间存在邻接关系则构成边，以此构建中心线上所有点的邻接矩阵A。
步骤S4，利用邻接矩阵A计算中心线上所有点的度，即与某一结点存在邻接关系的点个数，根据度的大小将所有点分为结点与边结点：度为2的点是边结点，记为E，其他点为结点，记为N。
步骤S5，利用遍历搜索的方法，构建结点的邻接矩阵Anode，并得到中心线各分支的长度与分支个数；
具体的构建结点邻接矩阵包括：
步骤S51，从N中随机选取一个结点ni，利用邻接矩阵A，找出所有与之相邻点，记为集合S；
步骤S52，从S中一点出发，重复搜寻其下一个相邻点，直到出现一个相邻点为结点nj的点，记ni与nj邻接，并计算搜寻次数，记为分支长度；
步骤S53，重复步骤S52，直至搜索完成集合S中的所有点；
步骤S54，重复步骤S51、步骤S52、步骤S53，直至搜索完成集合N中的所有点；
步骤S55，利用邻接矩阵Anode，计算出分支数。
步骤S6，计算所有边结点所处位置的血管半径，计算结果如图3(A)所示；
具体的半径计算步骤包括：
步骤S61，从E中随机选取一点ei，利用邻接矩阵A，找出与之相邻的两个点，ei与相邻两点构成的向量记为Vi1、Vi2；
步骤S62，分别计算ei位置下，血管在水平面、冠状面和矢状面的截面面积；
步骤S63，计算水平面、冠状面和矢状面截面面积在向量Vi1、Vi2上的投影；
步骤S64，计算所有投影面积的均值，记为ei位置下的横截面积，并计算半径；
步骤S65，重复步骤S61、步骤S62、步骤S63、步骤S64，直至完成E中所有点的计算。
步骤S7，计算所有的边结点的弯曲程度，可计算的弯曲程度包括Distance Factor及SOAM；
Figure BDA0002917762050000051
其中，s指某一分支的实际长度，l指分支两端点间的直线距离；
Figure BDA0002917762050000052
Figure BDA0002917762050000053
其中，θIP指平面内角度,θT指扭转角θT，s指某一分支的实际长度，n该分支包含的中心线点个数；图3(B)展示了各点i处的θ值,即θi。
步骤S8，利用邻接矩阵A，计算血管网络的聚类系数、网络结构熵；
Figure BDA0002917762050000054
其中，ki指某一点的度，ei指某一点及其邻接点之间存在的邻接关系数，N指点的总数；
Figure BDA0002917762050000055
Figure BDA0002917762050000056
其中，Ii指某一点的重要性，Di指某一点的度；为了更好比较不同个体之间的结构熵，可对其进行归一化处理，具体为：
Emin＝0；
Figure BDA0002917762050000057
Figure BDA0002917762050000058
其中，E指网络结构熵。

Claims (3)

1.一种脑血管形态特征定量分析方法，其特征在于，具体步骤如下：
步骤S1，从不同的采集方式中，获取组织影像的血管结构；
步骤S2，利用形态学细化算法，对步骤S1中的血管结构进行细化，获取血管结构的中心线，中心线所有点的集合记为C；
步骤S3，判断血管中心线上点之间的邻接关系，构建中心线上所有点的邻接矩阵，记为A；
步骤S4，利用邻接矩阵计算中心线上所有点的度，根据度的大小将所有点分为结点与边结点：度为2的点是边结点，记为E，其他点为结点，记为N；这里所述点的度是指与该点邻接的点的个数；
步骤S5，利用遍历搜索方法，构建结点的邻接矩阵，记为Anode，并得到中心线各分支的长度与分支个数；
步骤S6，计算所有边结点所处位置的血管半径；
步骤S7，计算所有边结点的弯曲程度，求出每条分支的平均弯曲程度；
步骤S8，利用邻接矩阵A，计算血管网络的聚类系数、网络结构熵；
步骤S5中所述利用遍历搜索方法构建结点邻接矩阵，具体包括如下子步骤：
步骤S51，从N中随机选取一个结点ni，利用邻接矩阵A，找出所有与之相邻的点，记为集合S；
步骤S52，从S中一点出发，重复搜寻其下一个相邻点，直到出现一个相邻点为结点nj的点，记ni与nj邻接，并计算搜寻次数，记为分支长度；
步骤S53，重复步骤S52，直至搜索完成集合S中的所有点；
步骤S54，重复步骤S51、步骤S52、步骤S53，直至搜索完成集合N中的所有点；
步骤S55，利用邻接矩阵Anode，计算出分支数；
步骤S6中所述计算所有边结点所处位置的血管半径，具体包括如下子步骤：
步骤S61，从E中随机选取一点ei，利用邻接矩阵A，找出与之相邻的两个点，ei与相邻两点构成的向量记为Vi1、Vi2；
步骤S62，分别计算ei位置下，血管在水平面、冠状面和矢状面的截面面积；
步骤S63，计算水平面、冠状面和矢状面截面面积在向量Vi1、Vi2上的投影；
步骤S64，计算所有投影面积的均值，记为ei位置下的横截面积，并计算半径；
步骤S65，重复步骤S61、步骤S62、步骤S63、步骤S64，直至完成E中所有点的计算；
步骤S7中所述计算所有边结点的弯曲程度，包括Distance Factor及SOAM；
Figure FDA0003300092610000021
其中，s指某一分支的实际长度，l指分支两端点间的直线距离；
Figure FDA0003300092610000022
Figure FDA0003300092610000023
其中，θIP指平面内角度,θT指扭转角θT，s指某一分支的实际长度，n该分支包含的中心线点个数，θi表示点i处的θ值；
步骤S8中所述利用邻接矩阵A，计算血管网络的聚类系数、网络结构熵，具体如下：
Figure FDA0003300092610000024
其中，ki指某一点的度，ei指某一点及其邻接点之间存在的邻接关系数，N指点的总数；
Figure FDA0003300092610000025
Figure FDA0003300092610000026
其中，Ii指某一点的重要性，Di指某一点的度；为了更好比较不同个体之间的结构熵，对其进行归一化处理，具体为：
Figure FDA0003300092610000027
Figure FDA0003300092610000028
这里，E指网络结构熵。
2.根据权利要求1所述的脑血管形态特征定量分析方法，其特征在于，步骤S3中所述邻接关系是指两点距离小于等于
Figure FDA0003300092610000029
3.一种基于权利要求1所述方法的脑血管形态特征定量分析系统，其特征在于，包括：形态学细化算法模块，邻接矩阵构建模块，结点与边结点构建模块，结点邻接矩阵构建模块，血管半径、弯曲度计算模块，血管网络的聚类系数、网络结构熵计算模块；这些模块分别用于执行所述方法中步骤S2、步骤S3、步骤S4、步骤S5、步骤S6和步骤S7、步骤S8的操作。
CN202110106311.6A 2021-01-27 2021-01-27 脑血管形态特征定量分析方法 Active CN112790741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110106311.6A CN112790741B (zh) 2021-01-27 2021-01-27 脑血管形态特征定量分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110106311.6A CN112790741B (zh) 2021-01-27 2021-01-27 脑血管形态特征定量分析方法

Publications (2)

Publication Number Publication Date
CN112790741A CN112790741A (zh) 2021-05-14
CN112790741B true CN112790741B (zh) 2021-12-28

Family

ID=75811919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110106311.6A Active CN112790741B (zh) 2021-01-27 2021-01-27 脑血管形态特征定量分析方法

Country Status (1)

Country Link
CN (1) CN112790741B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9504491B2 (en) * 2007-11-07 2016-11-29 Abbott Cardiovascular Systems Inc. Catheter having window and partial balloon covering for dissecting tissue planes and injecting treatment agent to coronary blood vessel
CN101601585B (zh) * 2009-07-02 2011-01-12 厦门强本科技有限公司 基于ct增强扫描技术的肝脏分段体积测量方法
CN106097298B (zh) * 2016-05-27 2019-08-20 中国人民解放军第三军医大学 基于球空间划分的冠状动脉自动分段与解剖学标记方法
CN106446360B (zh) * 2016-09-08 2019-07-09 天津大学 基于显微ct测量的缺损颅骨组织工程血管支架参数化设计方法
CN110969618B (zh) * 2019-12-18 2023-05-12 南京航空航天大学 一种基于动态超声造影的肝肿瘤血管生成定量分析方法
CN111227829A (zh) * 2020-02-14 2020-06-05 广东司法警官职业学院 一种基于复杂网络特征指标的脑电图信号分析方法
CN111950408B (zh) * 2020-07-28 2023-07-11 深圳职业技术学院 基于规则图的手指静脉图像识别方法、装置及存储介质

Also Published As

Publication number Publication date
CN112790741A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
US8090164B2 (en) Systems, methods, and computer program products for analysis of vessel attributes for diagnosis, disease staging, and surgical planning
Côté et al. Tractometer: towards validation of tractography pipelines
Sherbondy et al. Identifying the human optic radiation using diffusion imaging and fiber tractography
JP7019568B2 (ja) 白質脳病変の分析のための医療機器
CN107582097A (zh) 一种基于多模态超声组学的智能辅助决策系统
US20150339816A1 (en) A method and system for assessing fibrosis in a tissue
US20060182321A1 (en) Method and apparatus for extracting third ventricle information
Florez et al. Emergence of radiomics: novel methodology identifying imaging biomarkers of disease in diagnosis, response, and progression
CN112614126A (zh) 基于机器学习的磁共振图像脑区划分方法、系统和装置
CN116188423A (zh) 基于病理切片高光谱图像的超像素稀疏解混检测方法
EP2891134B1 (en) Method for analysis of fibers and branching structures within an image of a sample
CN111027548A (zh) 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统
Goudarzi et al. Segmentation of arm ultrasound images in breast cancer-related lymphedema: A database and deep learning algorithm
Clayden et al. Reproducibility of tract segmentation between sessions using an unsupervised modelling-based approach
CN114119626A (zh) 一种基于统计学模型和多尺度滤波的脑血管图像分割方法
Prasad et al. Atlas-based fiber clustering for multi-subject analysis of high angular resolution diffusion imaging tractography
CN112790741B (zh) 脑血管形态特征定量分析方法
Li et al. Clinical study of diffusion-weighted imaging in the diagnosis of liver focal lesion
Chandra et al. CCsNeT: Automated Corpus Callosum segmentation using fully convolutional network based on U-Net
CN111481233B (zh) 胎儿颈项透明层厚度测量方法
Nieman et al. Ultrasound and magnetic resonance microimaging of mouse development
Cairone et al. Robustness of radiomics features to varying segmentation algorithms in magnetic resonance images
CN110827255A (zh) 一种基于冠状动脉ct图像的斑块稳定性预测方法及系统
CN111062979B (zh) 基于医学影像获取血栓物理特性参数的可视化方法和可视化系统
Ogiela et al. Computer analysis of gallbladder ultrasonic images towards recognition of pathological lesions

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
TR01 Transfer of patent right

Effective date of registration: 20231207

Address after: No. 2258, Chengbei Road, Jiading District, Shanghai, 201800

Patentee after: Shanghai Lianying Medical Technology Co.,Ltd.

Address before: 200433 No. 220, Handan Road, Shanghai, Yangpu District

Patentee before: FUDAN University

TR01 Transfer of patent right