CN112907515A - 一种基于三维ct图像的主动脉血管自动检测方法及系统 - Google Patents
一种基于三维ct图像的主动脉血管自动检测方法及系统 Download PDFInfo
- Publication number
- CN112907515A CN112907515A CN202110098913.1A CN202110098913A CN112907515A CN 112907515 A CN112907515 A CN 112907515A CN 202110098913 A CN202110098913 A CN 202110098913A CN 112907515 A CN112907515 A CN 112907515A
- Authority
- CN
- China
- Prior art keywords
- aorta
- dimensional
- algorithm
- determining
- voxel
- 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
- 210000000709 aorta Anatomy 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 230000000877 morphologic effect Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 19
- 210000004204 blood vessel Anatomy 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 210000002376 aorta thoracic Anatomy 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 2
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000011218 segmentation 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本发明公开了一种基于三维CT图像的主动脉血管自动检测方法及系统,该方法包括一个自动定位主动脉、并确定快速行进(Fast Marching)算法所需种子点的过程;包括一个根据图像灰度和血管形态特征确定速行进算法所需的每个体素点处行进速度的过程;包括一个利用三维快速行进算法自动检测三维主动脉的过程。本发明通过自动确定种子点和有效的行进速度函数,保证了检测过程的自动性和有效性。结合Hessian矩阵和快速行进模型的处理方法,不仅保证了检测方法的简单、有效性,而且避免了现有算法模型的复杂性和对成像条件的依赖性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于三维CT图像的主动脉血管自动检测方法及系统。
背景技术
三维CT图像中主动脉检测在临床医学诊断、定量分析和计算辅助自动检测技术中有着重要的意义。人工检测即由医生手动勾画主动脉血管边界,非常费时费力,因此,用计算机算法准确、快速、自动地检测三维CT图像中主动脉就显得很有必要。目前,基于三维CT图像的主动脉检测算法主要有基于灰度阈值的方法和基于活动轮廓线的方法。基于灰度阈值的方法,主要适用于增强且在动脉相的CT图像,对于其他时相的CT图像则难以获得理想的结果。基于活动轮廓线的方法(1.孙浩等,“CT图像中的主动脉分割方法”,现代科学仪器,No.2,pp.45-48,2013。2.陈丹丹,“基于医学CT图像序列的主动脉夹层三维分割方法的研究”,天津工业大学硕士论文,2018。)简单易行,但是往往需要手动给定初始轮廓线,而且,检测结果易受初始轮廓线和噪声等复杂图像特征的影响。为更好地实现对三维CT图像中主动脉的自动、有效检测,亟待提出一种结合Hessian矩阵和快速行进(Fast Marching)模型的三维CT图像中主动脉自动检测法。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供一种基于三维CT图像的主动脉血管自动检测方法及系统,以解决现有技术的不足。
为实现上述目的,本发明提供了一种基于三维CT图像的主动脉血管自动检测方法,其特征在于,该方法包括一个自动定位主动脉、并确定快速行进(Fast Marching)算法(James A.Sethian,“A fast marching level set method for monotonicallyadvancing fronts”,Applied Mathematics,Vol.93,pp.1591-1595,1996.)所需种子点的过程;包括一个根据图像灰度和血管形态特征确定速行进算法所需的每个体素点处行进速度的过程;包括一个利用三维快速行进算法自动检测三维主动脉的过程。
进一步的,在自动定位主动脉、并快速行进算法所需种子点的过程中,利用Hessian矩阵(Qiang Li,Shusuke Sone,Kunio Doi,“Selective enhancement filtersfor nodules,vessels,and airway walls in two-and three-dimensional CT scans”,Medical Physics,Vol.30,No.8,pp.2040-2051,2003.)和血管形态特征确定一段下行主动脉的位置,并以这段主动脉所包含的体素作为种子点。
进一步的,在一个根据图像灰度和血管形态特征确定速行进算法所需的每个体素点处行进速度的过程中,首先根据自动定位、检测到的一段下行主动脉所包含的体素的图像灰度估计主动脉的灰度均值Imean和灰度标准差Istd,然后利用Hessian矩阵估计为每个体素为血管体素的概率Pijk,最后结合每个体素(i,j,k)的灰度Iijk估算每个体素点处行进速度Fij=(1+Pijk)*exp(-(Iijk-Imean)2/(2*Istd*Istd)),即速度函数为Fij=(1+Pijk)*exp(-(Iijk-Imean)2/(2*Istd*Istd))。
进一步的,在一个利用三维快速行进算法自动检测主动脉的过程中,首先根据确定好的快速行进算法所需的种子点和每一像素点处的行进速度,从种子点出发按相应的行进速度分别向下、向上行进,直到分别行进到最下、最上一层中的任一体素点为止,然后利用反向跟踪最优路径技术获得主动脉。
另一方面,本发明还一种基于三维CT图像的主动脉血管自动检测系统,其特征在于,包括:
算法所需种子点确定模块,用于自动定位主动脉,并确定快速行进算法所需种子点;
体素点行进速度计算模块,用于根据图像灰度和血管形态特征确定快速行进算法所需的每个体素点的行进速度;
三维主动脉检测模块,用于利用三维快速行进算法自动检测三维主动脉。
另一方面,本发明还一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述基于三维CT图像的主动脉血管自动检测方法的步骤。
另一方面,本发明还一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述基于三维CT图像的主动脉血管自动检测方法的步骤。
本发明的有益效果是:
本发明通过自动确定种子点和有效的行进速度函数,保证了检测过程的自动性和有效性。结合Hessian矩阵和快速行进模型的处理方法,不仅保证了检测方法的简单、有效性,而且避免了现有算法模型的复杂性和对成像条件的依赖性。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明基于三维CT图像的主动脉自动检测流程图;
图2是本发明主动脉CT图像示意图;
图3是本发明快速行进初始种子点示意图;
图4是本发明主动脉检测结果示意图。
图5是本发明一种基于三维CT图像的主动脉自动检测系统原理框图。
图6是本发明实施例提供的终端设备的示意图。
具体实施方式
实施例1
如图1所示,图1是本实施例提供一种基于三维CT图像的主动脉自动检测方法的流程图。如图所示,一种基于三维CT图像的主动脉自动检测方法,包括一个自动定位主动脉、并确定快速行进算法所需种子点的过程;包括一个根据图像灰度和血管形态特征确定速行进算法所需的每个体素点处行进速度的过程;包括一个利用三维快速行进算法自动检测三维主动脉的过程。
本实施例中,在自动定位主动脉、并快速行进算法所需种子点的过程中,根据主动脉血管在序列图像中大部分呈现圆形,即圆形截面(如图2所示),而利用Hessian矩阵可以较好地增强圆形物体、估计每个像素点所在部位为圆形物体的可能性(Qiang Li,ShusukeSone,Kunio Doi,“Selective enhancement filters for nodules,vessels,and airwaywalls in two-and three-dimensional CT scans”,Medical Physics,Vol.30,No.8,pp.2040-2051,2003.),本发明首先基于Hessian矩阵检测序列图像中呈现圆形的区域,然后,根据下行主动脉比较长的特点,通过检测具有最长连续圆形截面的区域,确定下行主动脉的位置,并以这段主动脉所包含的体素作为种子点(如图3所示)。
本实施例中,在一个根据图像灰度和血管形态特征确定速行进算法所需的每个体素点处行进速度的过程中,首先根据自动定位、检测到的一段下行主动脉所包含的体素的图像灰度估计主动脉的灰度均值Imean和灰度标准差Istd,然后利用Hessian矩阵估计为每个体素为血管体素的概率Pijk,最后结合每个体素(i,j,k)的灰度Iijk估算每个体素点处行进速度,即速度函数为Fij=(1+Pijk)*exp(-(Iijk-Imean)2/(2*Istd*Istd))。
本实施例中,在一个利用三维快速行进算法自动检测主动脉的过程中,首先根据确定好的快速行进算法所需的种子点和每一像素点处的行进速度,从种子点出发按相应的行进速度分别向下、向上行进,直到分别行进到最下、最上一层中的任一体素点为止,然后利用反向跟踪最优路径技术获得主动脉(如图4所示)。
实施例2
如图5所示,本实施例提供一种基于三维CT图像的主动脉血管自动检测系统,包括:
算法所需种子点确定模块,用于自动定位主动脉,并确定快速行进算法所需种子点;
体素点行进速度计算模块,用于根据图像灰度和血管形态特征确定快速行进算法所需的每个体素点的行进速度;
三维主动脉检测模块,用于利用三维快速行进算法自动检测三维主动脉。
图6是本发明一实施例提供的终端设备的示意图。如图6所示,该实施例的终端设备6包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62,例如基于三维CT图像的主动脉血管自动检测程序。所述处理器60执行所述计算机程序62时实现上述各个基于三维CT图像的主动脉血管自动检测方法实施例中的步骤,例如图1所示的步骤。或者,所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块功能。
示例性的,所述计算机程序62可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。例如,所述计算机程序62可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块),各模块具体功能如下:
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是终端设备6的示例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元,例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备,例如所述终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其它程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述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,或者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方案的目的。
另外,在本发明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。
所述集成的模块/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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在本发明所确定的保护范围内。
Claims (6)
1.一种基于三维CT图像的主动脉血管自动检测方法,其特征在于,包括
自动定位主动脉,并确定快速行进算法所需种子点;
根据图像灰度和血管形态特征确定快速行进算法所需的每个体素点的行进速度;
利用三维快速行进算法自动检测三维主动脉。
2.如权利要求1所述的一种基于三维CT图像的主动脉血管自动检测方法,其特征在于,所述确定快速行进算法所需种子点,具体为:利用Hessian矩阵和血管形态特征确定一段下行主动脉的位置,并以这段主动脉所包含的体素作为种子点。
3.如权利要求1所述的一种基于三维CT图像的主动脉血管自动检测方法,其特征在于,所述根据图像灰度和血管形态特征确定快速行进算法所需的每个体素点的行进速度,具体为:
根据自动定位、检测到的一段下行主动脉所包含的体素的图像灰度估计主动脉的灰度均值Imean和灰度标准差Istd;
利用Hessian矩阵估计为每个体素为血管体素的概率Pijk;
结合每个体素(i,j,k)的灰度Iijk估算每个体素点处行进速度Fij=(1+Pijk)*exp(-(Iijk-Imean)2/(2*Istd*Istd)),即速度函数为:
Fij=(1+Pijk)*exp(-(Iijk-Imean)2/(2*Istd*Istd))。
4.如权利要求1所述的一种基于三维CT图像的主动脉血管自动检测方法,其特征在于,所述利用三维快速行进算法自动检测三维主动脉,具体为:
根据所确定的快速行进算法所需的种子点和每一像素点处的行进速度,从种子点出发按相应的行进速度分别向下、向上行进,直到分别行进到最下、最上一层中的任一体素点为止,然后利用反向跟踪技术获得主动脉。
5.一种基于三维CT图像的主动脉血管自动检测系统,其特征在于,包括:
算法所需种子点确定模块,用于自动定位主动脉,并确定快速行进算法所需种子点;
体素点行进速度计算模块,用于根据图像灰度和血管形态特征确定快速行进算法所需的每个体素点的行进速度;
三维主动脉检测模块,用于利用三维快速行进算法自动检测三维主动脉。
6.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述基于三维CT图像的主动脉血管自动检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110098913.1A CN112907515A (zh) | 2021-01-25 | 2021-01-25 | 一种基于三维ct图像的主动脉血管自动检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110098913.1A CN112907515A (zh) | 2021-01-25 | 2021-01-25 | 一种基于三维ct图像的主动脉血管自动检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112907515A true CN112907515A (zh) | 2021-06-04 |
Family
ID=76120033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110098913.1A Pending CN112907515A (zh) | 2021-01-25 | 2021-01-25 | 一种基于三维ct图像的主动脉血管自动检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907515A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070165916A1 (en) * | 2003-11-13 | 2007-07-19 | Guy Cloutier | Automatic multi-dimensional intravascular ultrasound image segmentation method |
CN102663416A (zh) * | 2012-03-20 | 2012-09-12 | 苏州迪凯尔医疗科技有限公司 | 手术规划系统中内脏及其内部血管的分割方法 |
CN104361554A (zh) * | 2014-10-23 | 2015-02-18 | 中国科学院苏州生物医学工程技术研究所 | 一种基于血管内超声图像的血管外膜自动检测方法 |
CN107203741A (zh) * | 2017-05-03 | 2017-09-26 | 上海联影医疗科技有限公司 | 血管提取方法、装置及其系统 |
CN109448003A (zh) * | 2018-10-26 | 2019-03-08 | 强联智创(北京)科技有限公司 | 一种颅内动脉血管图像分割方法及系统 |
CN109903394A (zh) * | 2019-03-16 | 2019-06-18 | 哈尔滨理工大学 | 一种确定内腔图像分支点和分支段的方法 |
CN110448319A (zh) * | 2018-05-08 | 2019-11-15 | 博动医学影像科技(上海)有限公司 | 基于造影影像及冠状动脉的血流速度计算方法 |
-
2021
- 2021-01-25 CN CN202110098913.1A patent/CN112907515A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070165916A1 (en) * | 2003-11-13 | 2007-07-19 | Guy Cloutier | Automatic multi-dimensional intravascular ultrasound image segmentation method |
CN102663416A (zh) * | 2012-03-20 | 2012-09-12 | 苏州迪凯尔医疗科技有限公司 | 手术规划系统中内脏及其内部血管的分割方法 |
CN104361554A (zh) * | 2014-10-23 | 2015-02-18 | 中国科学院苏州生物医学工程技术研究所 | 一种基于血管内超声图像的血管外膜自动检测方法 |
CN107203741A (zh) * | 2017-05-03 | 2017-09-26 | 上海联影医疗科技有限公司 | 血管提取方法、装置及其系统 |
CN110448319A (zh) * | 2018-05-08 | 2019-11-15 | 博动医学影像科技(上海)有限公司 | 基于造影影像及冠状动脉的血流速度计算方法 |
CN109448003A (zh) * | 2018-10-26 | 2019-03-08 | 强联智创(北京)科技有限公司 | 一种颅内动脉血管图像分割方法及系统 |
CN109903394A (zh) * | 2019-03-16 | 2019-06-18 | 哈尔滨理工大学 | 一种确定内腔图像分支点和分支段的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410221B (zh) | 脑灌注图像分割方法、装置、服务器和存储介质 | |
Smistad et al. | GPU accelerated segmentation and centerline extraction of tubular structures from medical images | |
US20210374950A1 (en) | Systems and methods for vessel plaque analysis | |
US9058650B2 (en) | Methods, apparatuses, and computer program products for identifying a region of interest within a mammogram image | |
Banerjee et al. | Automated 3D segmentation of brain tumor using visual saliency | |
Jin et al. | Vascular tree segmentation in medical images using Hessian-based multiscale filtering and level set method | |
Abbas et al. | Combined spline and B-spline for an improved automatic skin lesion segmentation in dermoscopic images using optimal color channel | |
CN110910441A (zh) | 一种中心线提取的方法及装置 | |
Tan et al. | An approach for pulmonary vascular extraction from chest CT images | |
CN111640124A (zh) | 一种血管提取方法、装置、设备及存储介质 | |
US8077954B2 (en) | System and method for image processing | |
CN111127373B (zh) | 一种基于局部截面分析的血管图像提取方法及装置 | |
Singh et al. | Automatic blastomere detection in day 1 to day 2 human embryo images using partitioned graphs and ellipsoids | |
CN110428431B (zh) | 一种心脏医学图像的分割方法、装置、设备及存储介质 | |
WO2007033228A2 (en) | Reducing false positives for automatic computerized detection of objects | |
CN112907515A (zh) | 一种基于三维ct图像的主动脉血管自动检测方法及系统 | |
Orłowski et al. | Efficient computation of Hessian-based enhancement filters for tubular structures in 3D images | |
CN114533002B (zh) | 一种颈动脉中心线提取方法、装置、存储介质及电子设备 | |
Kim et al. | Deep-learning-based cerebral artery semantic segmentation in neurosurgical operating microscope vision using indocyanine green fluorescence videoangiography | |
CN113450329B (zh) | 一种微循环图像血管分支红细胞流速计算方法及系统 | |
CN113177953B (zh) | 肝脏区域分割方法、装置、电子设备及存储介质 | |
CN112884714A (zh) | 一种淋巴结ct图像自动分割方法及系统 | |
CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
CN111539926B (zh) | 一种图像检测方法及装置 | |
CN114170258A (zh) | 图像分割方法、装置、电子设备及存储介质 |
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 |