CN112967192A - 基于2d/3d血管融合的深度感知增强方法及装置 - Google Patents
基于2d/3d血管融合的深度感知增强方法及装置 Download PDFInfo
- Publication number
- CN112967192A CN112967192A CN202110199788.3A CN202110199788A CN112967192A CN 112967192 A CN112967192 A CN 112967192A CN 202110199788 A CN202110199788 A CN 202110199788A CN 112967192 A CN112967192 A CN 112967192A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- vessel
- contour
- depth
- distance
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000004927 fusion Effects 0.000 title claims abstract description 40
- 230000002792 vascular Effects 0.000 title claims description 19
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 106
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000002708 enhancing effect Effects 0.000 claims abstract description 9
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 34
- 238000009877 rendering Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000005266 casting Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims description 2
- ORFSSYGWXNGVFB-UHFFFAOYSA-N sodium 4-amino-6-[[4-[4-[(8-amino-1-hydroxy-5,7-disulfonaphthalen-2-yl)diazenyl]-3-methoxyphenyl]-2-methoxyphenyl]diazenyl]-5-hydroxynaphthalene-1,3-disulfonic acid Chemical compound COC1=C(C=CC(=C1)C2=CC(=C(C=C2)N=NC3=C(C4=C(C=C3)C(=CC(=C4N)S(=O)(=O)O)S(=O)(=O)O)O)OC)N=NC5=C(C6=C(C=C5)C(=CC(=C6N)S(=O)(=O)O)S(=O)(=O)O)O.[Na+] ORFSSYGWXNGVFB-UHFFFAOYSA-N 0.000 claims description 2
- 239000008280 blood Substances 0.000 claims 1
- 210000004369 blood Anatomy 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract description 4
- 238000010968 computed tomography angiography Methods 0.000 description 7
- 238000012800 visualization Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000002156 mixing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000007794 visualization technique Methods 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002594 fluoroscopy Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—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)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
基于2D/3D血管融合的深度感知增强方法及装置，能够增强融合图像中血管结构的深度感知，适用于从CTA中分割得到的表面不光滑的血管体积数据，有效地增强血管结构的形状感知。方法包括：(1)基于距离检测的轮廓绘制方法，通过计算到血管轮廓的距离，绘制满足条件的轮廓，增强融合图像中血管结构的形状感知；(2)使用透视投影模拟SPP来修改血管轮廓的厚度和不透明度，并使用深度颜色编码PCD来修改血管轮廓的颜色，增强融合图像中的血管复杂结构的深度感知。
Description
技术领域
本发明涉及医学图像处理的技术领域，尤其涉及一种基于2D/3D血管融合的深度感知增强方法，以及基于2D/3D血管融合的深度感知增强装置。
背景技术
X-ray透视成像技术可实现术中较高的空间和时间分辨率成像，已经成为目前临床血管介入手术(vascular interventional surgery)诊断的金标准。然而X-ray图像是透视投影成像，由于缺少血管结构的深度信息，医生无法充分理解高曲率和多分支等复杂三维血管解剖结构。在X-ray图像引导的血管介入手术中，2D/3D图像融合技术将从术前计算机断层成像血管造影术(computed tomography angiography，简称CTA)或磁共振血管造影(magnetic resonance angiography，简称MRA)得到的三维血管模型叠加到术中实时X-ray图像，可为医生提供一些三维血管解剖结构信息。
当前，直接体绘制(direct volume render，简称DVR)是一种常用的3D血管可视化技术。为了提高直接体绘制中血管的深度感知，研究者们提出许多基于物理光照技术和基于说明性技术的方法。Ropinski等人提出了多种深度增强的直接体绘制方法，包括伪彩色深度(Pseudo Chromadepth，简称PCD)、边缘增强(edge enhancement)、景深(depth offield)等。在他们的用户研究(user study)中，PCD方法表现最佳。Joshi等人通过应用距离颜色混合(distance color blending)、色调阴影(tone shading)和光晕(halos)解决血管可视化中缺少深度感知的问题。实验结果表明，距离颜色混合和色调阴影有效增强了血管三维可视化的形状信息和深度信息。Kersten-Oertel研究了fog，PCD，kinetic depth，edge和stereopsis等深度线索对脑血管体积数据可视化效果的影响。实验结果表明，伪彩色深度和雾(fog)的组合可实现最好的深度感知可视化效果。Abhari等人结合轮廓增强(contour enhancement)和立体视觉(stereopsis)有效提高不同血管结构之间的相对深度感知。Drouin等人通过跟踪手术器械的运动提出了dynamic shading，dynamic chroma-depth和dynamic aerial perspective方法，可有效增强感兴趣区域的血管结构的深度感知。
上述研究集中于增强三维血管结构的深度感知。在此基础上，三维血管可视化和2D/3D图像融合的结合可有效提高二维X-ray图像中血管的深度感知。Gorge等人开发一个基于增强现实(AR)的手术导航系统，将三维血管模型叠加到实时X-ray图像上，然而视图中缺少手术器械信息和解剖结构深度信息。Lin等人将术前CTA的最大值投影MIP叠加到实时X-ray图像上，该方法需要手动调整MIP的深度使血管不被其他更大密度的组织覆盖。Wieczorek等人提出了交互式X-ray感知可视化方法提高X-ray图像上的三维感知。该方法考虑了X-ray的物理特性，并且可与手术工具或超声图像进行融合。轮廓信息能帮助我们识别血管形状、方向，然而基于梯度的轮廓绘制方法并不适用于从CTA中分割的得到的表面不光滑的血管体积数据。
发明内容
为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于2D/3D血管融合的深度感知增强方法，其能够增强融合图像中血管结构的深度感知，适用于从CTA中分割得到的表面不光滑的血管体积数据，有效地增强血管结构的形状感知。
本发明的技术方案是：这种基于2D/3D血管融合的深度感知增强方法，其包括以下步骤：
(1)基于距离检测的轮廓绘制方法，通过计算到血管轮廓的距离，绘制满足条件的轮廓，增强融合图像中血管结构的形状感知；
(2)使用透视投影模拟SPP来修改血管轮廓的厚度和不透明度，并使用深度颜色编码PCD来修改血管轮廓的颜色，增强融合图像中的血管复杂结构的深度感知。
本发明基于距离检测的轮廓绘制方法，通过计算到血管轮廓的距离，绘制满足条件的轮廓，增强融合图像中血管结构的形状感知，然后使用透视投影模拟SPP来修改血管轮廓的厚度和不透明度，并使用深度颜色编码PCD来修改血管轮廓的颜色，增强融合图像中的血管复杂结构的深度感知，因此能够增强融合图像中血管结构的深度感知，适用于从CTA中分割得到的表面不光滑的血管体积数据，有效地增强血管结构的形状感知。
还提供了基于2D/3D血管融合的深度感知增强装置，其包括：
形状感知增强模块，其基于距离检测的轮廓绘制方法，通过计算到血管轮廓的距离，绘制满足条件的轮廓，增强融合图像中血管结构的形状感知；
深度感知增强模块，其使用透视投影模拟SPP来修改血管轮廓的厚度和不透明度，并使用深度颜色编码PCD来修改血管轮廓的颜色，增强融合图像中的血管复杂结构的深度感知。
附图说明
图1示出了根据本发明的基于2D/3D血管融合的深度感知增强方法的流程图。
图2示出了血管的横截面和光线l1上所有采样点的距离分布。其中：(a)血管的横截面，血管半径为六个体素尺寸，沿着视线方向的光线l1穿过血管区域；(b)ω＝2时，光线l1上所有采样点的距离分布，横坐标表示采样点pi的距离值dist(pi)，纵坐标对应光线方向上从前往后的所有采样点。
图3示出了距离最大值ρ的分布与血管轮廓绘制。其中：(a)光线近似平行的穿过血管横截面；(b)所有穿过血管横截面的光线的距离最大值ρ的分布，纵坐标代表距离最大值ρ，横坐标代表光线，ω＝2；(c)设置关于距离最大值ρ的阈值T用于绘制血管轮廓，从视线方向看到的不同阈值T下的血管轮廓；(d)T＝t0对应的血管轮廓；(e)T＝t1对应的血管轮廓；(f)T＝t2对应的血管轮廓。
图4示出了存在遮挡关系的血管轮廓绘制。其中：(a)光线穿过血管横截面，图中浅灰色和深灰色代表互相垂直的两支血管；(b)从视线方向看到的血管轮廓，深灰色血管的部分轮廓被浅灰色血管遮挡。
具体实施方式
如图1所示，这种基于2D/3D血管融合的深度感知增强方法，其包括以下步骤：
(1)基于距离检测的轮廓绘制方法，通过计算到血管轮廓的距离，绘制满足条件的轮廓，增强融合图像中血管结构的形状感知；
(2)使用透视投影模拟SPP来修改血管轮廓的厚度和不透明度，并使用深度颜色编码PCD来修改血管轮廓的颜色，增强融合图像中的血管复杂结构的深度感知。
本发明基于距离检测的轮廓绘制方法，通过计算到血管轮廓的距离，绘制满足条件的轮廓，增强融合图像中血管结构的形状感知，然后使用透视投影模拟SPP来修改血管轮廓的厚度和不透明度，并使用深度颜色编码PCD来修改血管轮廓的颜色，增强融合图像中的血管复杂结构的深度感知，因此能够增强融合图像中血管结构的深度感知，适用于从CTA中分割得到的表面不光滑的血管体积数据，有效地增强血管结构的形状感知。
本文提出一个基于距离检测的轮廓绘制(DDCR)方法增强表面不光滑的三维血管的轮廓。优选地，所述步骤(1)中，
光线投射算法中采样点pi处的值vi通过在血管体积数据中进行线性插值计算f求得，表示为
vi＝f(pi)＝f(xi,yi,zi) (1)
其中xi、yi和zi代表采样点pi的在血管体积数据中的位置，在血管体积数据中，0代表背景，1代表血管区域，根据采样点pi处的值vi判断采样点pi是否在血管区域内；将采样点pi到血管表面的距离dist(pi)表示为
Δx、Δy和Δz表示三个方向上的体素尺寸，ω表示偏移量，ω大于0小于血管半径；
血管的横截面如图2(a)所示，沿着视线方向的光线l1穿过血管区域。根据公式(2)，光线l1上从前往后的所有采样点的距离分布如图2(b)所示，其中ω被经验性的设置为2。图2(b)的纵坐标对应光线方向上从前往后的所有采样点，横坐标表示采样点pi的距离值dist(pi)。在血管区域内的所有采样点的距离分布上，距离值先变大后变小，因此存在距离最大值ρ。ρ被表示为
ρ＝max(dist(pi)，pi∈sampling points in the vascular region) (3)。
图2示出了血管的横截面和光线l1上所有采样点的距离分布。(a)血管的横截面，血管半径为六个体素尺寸，沿着视线方向的光线l1穿过血管区域。(b)ω＝2时，光线l1上所有采样点的距离分布，横坐标表示采样点pi的距离值dist(pi)，纵坐标对应光线方向上从前往后的所有采样点。
优选地，所述步骤(1)中，由于血管直径远远小于血管到视点的距离，因此光线近似平行的穿过血管横截面，如图3(a)所示。通过对穿过血管区域的所有光线进行分析，得到关于距离最大值ρ的分布，如图3(b)所示；距离最大值ρ呈两侧小中间大的分布。
优选地，所述步骤(1)中，设置关于距离最大值ρ的阈值T用于绘制血管轮廓，如图3(c)所示，其中，阈值T被设置为合适的常数(如t0、t1或t2)；当ρ≤T时，穿过血管区域的光线上对轮廓绘制有贡献，ρ>T时，该光线对轮廓绘制没有贡献；根据不同阈值条件，从视线方向看过去分别得到不同的血管轮廓，如图3(d)、(e)和(f)所示。
优选地，所述步骤(1)中，对于存在遮挡关系的血管，当光线穿过最前方的血管后便终止当前光线的计算，从而正确绘制存在遮挡关系的血管轮廓。图4(a)中从视线方向看过去浅灰色血管在深灰色血管的前面。对于从前往后依次穿过浅灰色血管和深灰色血管的光线，只让浅灰色血管内的采样点参与血管轮廓的计算，得到的血管轮廓如图4(b)所示。
使用随着深度变化而变化的厚度和不透明度来模拟透视带来的距离感和消失感等特性。优选地，所述步骤(2)中，在眼睛坐标系下，采样点的z-value被认为是采样点的深度，所有采样点的深度值被归一化到区间[0.0,1.0]；为了表现血管轮廓的厚度随深度变化而变化，阈值T被表示为
其中，β是光线上第一个出现在血管区域内的采样点的深度值；随着β的增大，阈值T逐渐变小，当ρ>T时，光线对轮廓绘制没有贡献导致血管轮廓的厚度逐渐变小。
优选地，所述步骤(2)中，使用公式(5)对血管轮廓的不透明度值进行调制
其中，αi表示采样点pi的不透明度，
表示调制后的不透明度值，βi是采样点pi的深度值；随着深度值βi的增大，采样点的不透明度
逐渐减少，合成的血管轮廓逐渐变透明。
优选地，所述步骤(2)中，由于血管轮廓的颜色通道不包含任何相关信息，因此进一步利用PCD方法将深度信息编码到血管轮廓的颜色通道，warm-to-cool颜色量表被表示为：
Ci＝βiCred+(1-βi)Cblue (6)
其中，Ci表示采样点pi的颜色，Cred和Cblue分别是表示纯红色和纯蓝色的常量三元组。
在模拟数据和临床数据上对提出的方法进行评估，调查实验共有16名参与者。实验结果表明，本文的轮廓绘制方法在确定动脉瘤位置的任务中正确率为100％，优于基于梯度的轮廓绘制方法。深度颜色编码、模拟透视投影和基于距离检测轮廓绘制的结合在李克特量表中得分最高，这表明通过深度信息和形状信息的相互作用，本方法可以有效增强融合图像中复杂血管结构的深度感知。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括基于2D/3D血管融合的深度感知增强装置，该装置通常以与方法各步骤相对应的功能模块的形式表示。该装置包括：
形状感知增强模块，其基于距离检测的轮廓绘制方法，通过计算到血管轮廓的距离，绘制满足条件的轮廓，增强融合图像中血管结构的形状感知；
深度感知增强模块，其使用透视投影模拟SPP来修改血管轮廓的厚度和不透明度，并使用深度颜色编码PCD来修改血管轮廓的颜色，增强融合图像中的血管复杂结构的深度感知。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。
Claims (9)
1.基于2D/3D血管融合的深度感知增强方法，其特征在于：其包括以下步骤：
(1)基于距离检测的轮廓绘制方法，通过计算到血管轮廓的距离，绘制满足条件的轮廓，增强融合图像中血管结构的形状感知；
(2)使用透视投影模拟SPP来修改血管轮廓的厚度和不透明度，并使用深度颜色编码PCD来修改血管轮廓的颜色，增强融合图像中的血管复杂结构的深度感知。
2.根据权利要求1所述的基于2D/3D血管融合的深度感知增强方法，其特征在于：所述步骤(1)中，
光线投射算法中采样点pi处的值vi通过在血管体积数据中进行线性插值计算f求得，表示为
vi＝f(pi)＝f(xi，yi，zi) (1)
其中xi、yi和zi代表采样点pi的在血管体积数据中的位置，在血管体积数据中，0代表背景，1代表血管区域，根据采样点pi处的值vi判断采样点pi是否在血管区域内；将采样点pi到血管表面的距离dist(pi)表示为
Δx、Δy和Δz表示三个方向上的体素尺寸，ω表示偏移量，ω大于0小于血管半径；
血管的横截面沿着视线方向的光线l1穿过血管区域，根据公式(2)得到光线l1上从前往后的所有采样点的距离分布，其中ω被设置为2；在血管区域内的所有采样点的距离分布上，距离值先变大后变小，因此存在距离最大值ρ，ρ被表示为
ρ＝mox(dist(pi)，pi∈sampling points in the vascnlar region) (3)
3.根据权利要求2所述的基于2D/3D血管融合的深度感知增强方法，其特征在于：所述步骤(1)中，由于血管直径远远小于血管到视点的距离，因此光线近似平行的穿过血管横截面，通过对穿过血管区域的所有光线进行分析，得到关于距离最大值ρ的分布；距离最大值ρ呈两侧小中间大的分布。
4.根据权利要求3所述的基于2D/3D血管融合的深度感知增强方法，其特征在于：所述步骤(1)中，设置关于距离最大值ρ的阈值T用于绘制血管轮廓，其中，阈值T被设置为合适的常数；当ρ≤T时，穿过血管区域的光线上对轮廓绘制有贡献，ρ>T时，该光线对轮廓绘制没有贡献；根据不同阈值条件，从视线方向看过去分别得到不同的血管轮廓。
5.根据权利要求4所述的基于2D/3D血管融合的深度感知增强方法，其特征在于：所述步骤(1)中，对于存在遮挡关系的血管，当光线穿过最前方的血管后便终止当前光线的计算，从而正确绘制存在遮挡关系的血管轮廓。
6.根据权利要求5所述的基于2D/3D血管融合的深度感知增强方法，其特征在于：所述步骤(2)中，在眼睛坐标系下，采样点的z-value被认为是采样点的深度，所有采样点的深度值被归一化到区间[0.0,1.0]；为了表现血管轮廓的厚度随深度变化而变化，阈值T被表示为
其中，β是光线上第一个出现在血管区域内的采样点的深度值；随着β的增大，阈值T逐渐变小，当ρ>T时，光线对轮廓绘制没有贡献导致血管轮廓的厚度逐渐变小。
7.根据权利要求6所述的基于2D/3D血管融合的深度感知增强方法，其特征在于：所述步骤(2)中，使用公式(5)对血管轮廓的不透明度值进行调制
其中，αi表示采样点pi的不透明度，
表示调制后的不透明度值，βi是采样点pi的深度值；随着深度值βi的增大，采样点的不透明度
逐渐减少，合成的血管轮廓逐渐变透明。
8.根据权利要求7所述的基于2D/3D血管融合的深度感知增强方法，其特征在于：所述步骤(2)中，利用深度颜色编码PCD方法将深度信息编码到血管轮廓的颜色通道，warm-to-cool颜色量表被表示为：
Ci＝βicred+(1-βi)cblue (6)
其中，Ci表示采样点pi的颜色，Cred和Cblue分别是表示纯红色和纯蓝色的常量三元组。
9.基于2D/3D血管融合的深度感知增强装置，其特征在于：其包括：
形状感知增强模块，其基于距离检测的轮廓绘制方法，通过计算到血管轮廓的距离，绘制满足条件的轮廓，增强融合图像中血管结构的形状感知；
深度感知增强模块，其使用透视投影模拟SPP来修改血管轮廓的厚度和不透明度，并使用深度颜色编码PCD来修改血管轮廓的颜色，增强融合图像中的血管复杂结构的深度感知。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110199788.3A CN112967192A (zh) | 2021-02-22 | 2021-02-22 | 基于2d/3d血管融合的深度感知增强方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110199788.3A CN112967192A (zh) | 2021-02-22 | 2021-02-22 | 基于2d/3d血管融合的深度感知增强方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112967192A true CN112967192A (zh) | 2021-06-15 |
Family
ID=76285607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110199788.3A Pending CN112967192A (zh) | 2021-02-22 | 2021-02-22 | 基于2d/3d血管融合的深度感知增强方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112967192A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005031635A1 (en) * | 2003-09-25 | 2005-04-07 | Paieon, Inc. | System and method for three-dimensional reconstruction of a tubular organ |
| CN1882950A (zh) * | 2003-09-25 | 2006-12-20 | 派昂公司 | 用于管状器官的三维重建的系统和方法 |
| EP3401878A1 (en) * | 2017-05-12 | 2018-11-14 | Siemens Healthcare GmbH | Light path fusion for rendering surface and volume data in medical imaging |
| CN110428437A (zh) * | 2019-08-14 | 2019-11-08 | 大连海事大学 | 基于边缘敏感的slic和二次密度聚类的ggo分割方法 |
| CN111402277A (zh) * | 2020-02-17 | 2020-07-10 | 艾瑞迈迪医疗科技（北京）有限公司 | 一种医学影像的物体外轮廓分割方法及装置 |
| CN111445508A (zh) * | 2020-03-16 | 2020-07-24 | 北京理工大学 | 一种增强2d/3d图像融合中深度感知的可视化方法及装置 |
| CN111493830A (zh) * | 2020-04-24 | 2020-08-07 | 天津恒宇医疗科技有限公司 | 一种基于冠脉分叉病变的oct三维可视化系统及工作方法 |
| CN111784727A (zh) * | 2020-06-17 | 2020-10-16 | 北京理工大学 | 基于3d/2d配准应用于血管介入手术导航的方法及装置 |
| CN112384949A (zh) * | 2018-05-01 | 2021-02-19 | 皇家飞利浦有限公司 | 较低到较高分辨率的图像融合 |
-
2021
- 2021-02-22 CN CN202110199788.3A patent/CN112967192A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005031635A1 (en) * | 2003-09-25 | 2005-04-07 | Paieon, Inc. | System and method for three-dimensional reconstruction of a tubular organ |
| CN1882950A (zh) * | 2003-09-25 | 2006-12-20 | 派昂公司 | 用于管状器官的三维重建的系统和方法 |
| EP3401878A1 (en) * | 2017-05-12 | 2018-11-14 | Siemens Healthcare GmbH | Light path fusion for rendering surface and volume data in medical imaging |
| CN112384949A (zh) * | 2018-05-01 | 2021-02-19 | 皇家飞利浦有限公司 | 较低到较高分辨率的图像融合 |
| CN110428437A (zh) * | 2019-08-14 | 2019-11-08 | 大连海事大学 | 基于边缘敏感的slic和二次密度聚类的ggo分割方法 |
| CN111402277A (zh) * | 2020-02-17 | 2020-07-10 | 艾瑞迈迪医疗科技（北京）有限公司 | 一种医学影像的物体外轮廓分割方法及装置 |
| CN111445508A (zh) * | 2020-03-16 | 2020-07-24 | 北京理工大学 | 一种增强2d/3d图像融合中深度感知的可视化方法及装置 |
| CN111493830A (zh) * | 2020-04-24 | 2020-08-07 | 天津恒宇医疗科技有限公司 | 一种基于冠脉分叉病变的oct三维可视化系统及工作方法 |
| CN111784727A (zh) * | 2020-06-17 | 2020-10-16 | 北京理工大学 | 基于3d/2d配准应用于血管介入手术导航的方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| PANUCCIO G等: "Computer-aided endovascular aortic repair using fully automated two-and three-dimensional fusion imaging", 《JOURNAL OF VASCULAR SURGERY》, vol. 64, no. 6, 31 December 2016 (2016-12-31), pages 1587 - 1594 * |
| ROPINSKI T等: "Visually supporting depth perception in angiography imaging", 《INTERNATIONAL SYMPOSIUM ON SMART GRAPHICS. BERLIN, HEIDELBERG: SPRINGER BERLIN HEIDELBERG》, 31 December 2006 (2006-12-31), pages 93 - 104, XP019041530 * |
| WANG J等: "Augmented depth perception visualization in 2D/3D image fusion", 《COMPUTERIZED MEDICAL IMAGING AND GRAPHICS》, vol. 38, no. 8, 12 July 2014 (2014-07-12), pages 744 - 752, XP055508184, DOI: 10.1016/j.compmedimag.2014.06.015 * |
| YANG Y等: "Depth Perception Enhancement in 2D/3D Vascular Image Fusion", 《PROCEEDINGS OF THE 2021 5TH INTERNATIONAL CONFERENCE ON DIGITAL SIGNAL PROCESSING》, 23 September 2021 (2021-09-23), pages 46 - 52 * |
| 乔梁: "基于移动医疗的连续断层影像2D/3D可视化交互技术研究", 《中国博士学位论文全文数据库医药卫生科技辑》, no. 10, 15 October 2018 (2018-10-15), pages 060 - 1 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6877868B2 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
| US7889194B2 (en) | System and method for in-context MPR visualization using virtual incision volume visualization | |
| US7529396B2 (en) | Method, computer program product, and apparatus for designating region of interest | |
| US7912264B2 (en) | Multi-volume rendering of single mode data in medical diagnostic imaging | |
| JP3570576B2 (ja) | マルチモダリティに対応した３次元画像合成表示装置 | |
| EP3493161B1 (en) | Transfer function determination in medical imaging | |
| US20050110791A1 (en) | Systems and methods for segmenting and displaying tubular vessels in volumetric imaging data | |
| US20050148848A1 (en) | Stereo display of tube-like structures and improved techniques therefor ("stereo display") | |
| US7839403B2 (en) | Simultaneous generation of different data sets from a single acquisition run and dual rendering of images | |
| Lawonn et al. | Illustrative visualization of vascular models for static 2D representations | |
| JP2002504385A (ja) | 自動経路立案方法 | |
| US20050195190A1 (en) | Visualization of volume-rendered data with occluding contour multi-planar-reformats | |
| Bullitt et al. | Volume rendering of segmented image objects | |
| Zhou et al. | Focal region-guided feature-based volume rendering | |
| Kim et al. | Real-time volume rendering visualization of dual-modality PET/CT images with interactive fuzzy thresholding segmentation | |
| JP2009514585A (ja) | インターベンショナル手順中、シルエットレンダリング及び画像を表示するための画像処理システム及び方法 | |
| Lichtenberg et al. | Concentric Circle Glyphs for Enhanced Depth-Judgment in Vascular Models. | |
| Englmeier et al. | Hybrid rendering of multidimensional image data | |
| CN111445508B (zh) | 一种增强2d/3d图像融合中深度感知的可视化方法及装置 | |
| Turlington et al. | New techniques for efficient sliding thin-slab volume visualization | |
| Jung et al. | Occlusion and slice-based volume rendering augmentation for PET-CT | |
| CN112967192A (zh) | 基于2d/3d血管融合的深度感知增强方法及装置 | |
| Ropinski et al. | Interactive importance-driven visualization techniques for medical volume data | |
| EP4231246A1 (en) | Technique for optical guidance during a surgical procedure | |
| US11688125B2 (en) | Image processing apparatus and method to perform a ray casting algorithm to generate a rendered image from a volumetric data set |
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 |