CN113205492A - 胃粘膜染色放大成像的微血管扭曲程度量化方法 - Google Patents
胃粘膜染色放大成像的微血管扭曲程度量化方法 Download PDFInfo
- Publication number
- CN113205492A CN113205492A CN202110453717.1A CN202110453717A CN113205492A CN 113205492 A CN113205492 A CN 113205492A CN 202110453717 A CN202110453717 A CN 202110453717A CN 113205492 A CN113205492 A CN 113205492A
- Authority
- CN
- China
- Prior art keywords
- distortion degree
- microvessel
- distortion
- microvessels
- capillary
- 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.)
- Granted
Links
- 210000004088 microvessel Anatomy 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003384 imaging method Methods 0.000 title claims abstract description 21
- 238000010186 staining Methods 0.000 title claims abstract description 21
- 210000001156 gastric mucosa Anatomy 0.000 title claims abstract description 8
- 230000003321 amplification Effects 0.000 title claims abstract description 7
- 238000003199 nucleic acid amplification method Methods 0.000 title claims abstract description 7
- 238000011002 quantification Methods 0.000 title claims abstract description 7
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 11
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 230000002496 gastric effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract 1
- 230000002093 peripheral effect Effects 0.000 abstract 1
- 201000011591 microinvasive gastric cancer Diseases 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005452 bending Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 208000005718 Stomach Neoplasms Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010017758 gastric cancer Diseases 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 201000011549 stomach cancer Diseases 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10068—Endoscopic image
-
- 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
- G06T2207/30092—Stomach; Gastric
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种胃粘膜染色放大成像的微血管扭曲程度量化方法,该方法包括图像分割法、血管中心线提取法、面密度法。图像分割法用于提取胃镜图像中的清晰区域和微血管整图;血管中心线提取法用于提取每根微血管的中心线并计算中心线上像素点处对应的微血管周长;面密度法通过将微血管周长向其最小外接立方体面进行投影从而计算出面密度。最终通过对微血管最小外接立方体不同面的面密度进行加权获得微血管扭曲程度系数,而后根据扭曲程度系数对微血管扭曲程度等级进行判定。
Description
技术领域
本发明涉及医学领域图像处理技术领域,具体涉及一种胃粘膜染色放大成像的微血管扭曲程度量化方法。
背景技术
胃癌是世界第五大最常见的癌症,其占癌症死亡原因的第三位。进展期胃癌术后五年生存率仅有30%,而胃早期癌症的五年生存率则高达90%。色素内镜的问世,使早癌期胃癌的内镜诊断方法确立。放大胃镜与电子染色内镜联合应用,能够观察到普通胃镜无法观察的微小血管结构及黏膜表面微细结构,为内镜下诊断早期胃癌提供了条件。血管异形是染色放大内镜下诊断早期胃癌的重要条件。
M.Kaise等人在文献《Magnifying endoscopy combined with narrow-bandimaging for differential diagnosis ofsuperficial depressed gastric lesions》中指出:胃部早癌病灶区域内微血管较病灶区域外微血管扭曲程度更严重,但只是基于经验的归纳总结,并未给出微血管扭曲程度具体量化结果及扭曲程度判断方法。
刘一萱在其硕士论文《冠状动脉扭曲的量化测量方法及应用》中提出,首先对冠状动脉血管进行曲面重建,多平面重组等技术获得血管三维空间结构,并在三维空间中提取将冠状动脉血管的中心线,然后将该中心线的三维图像投影至xy,xz,yz三个二维平面,最后基于每一个二维平面,在两个轴上求取连续三个点构成的两个线段的梯度差从而获取该平面血管弯曲贡献度,最后整合三个平面血管弯曲贡献度获得最终血管弯曲量化值。但论文中血管扭曲程度的量化过程涉及多款软件,如使用AWvolume share4.0工作站进行图像三维重建,用Matalb编程进行图像处理和计算,无法做到自动化及批量化。
发明内容
本发明的目的在于针对现有技术的不足,而提供一种胃粘膜染色放大成像的微血管扭曲程度量化方法,适用于大批量胃部微血管扭曲程度量化,便于胃部微血管形态的判断,且与内镜医师诊断结果匹配度高,具有高可靠性,可为内镜医生从微血管扭曲程度角度做早期胃癌诊断时提供强有力的数据支持。
为实现上述目的,本发明提供了一种胃粘膜染色放大成像的微血管扭曲程度量化方法,其特征在于:所述的微血管扭曲程度量化方法包含如下步骤:
S1:输入待量化的胃粘膜染色放大成像原图,并采用深度学习分割模型,从原图中提取清晰区域图像;
S2:采用深度学习分割模型,从清晰区域图像提取微血管整图;
S3:在连通域的基础上,提取单根微血管及其对应的最小外接矩形,并通过连通域的面积和周长过滤掉微血管整图中的噪声点;
S4:遍历每根微血管,采用骨架化处理方法获取每根微血管的中心线,通过中心线上每个像素点对应的微血管直径求出该像素点处微血管截面周长;
S5:将微血管中心线上每个像素点对应的微血管截面向最小外接矩形与血管最大直径构成的立方体底面和侧面上做投影并计算微血管向这两个面的投影面密度;
S6:对步骤S5所求面密度进行加权获得微血管扭曲程度系数,进而根据阈值区间给出微血管扭曲程度等级判定结果。
进一步的,步骤S1中采用训练好的U-Net++分割模型从图像分割方法获取胃镜图像中提取清晰区域。
进一步的,步骤S2中采用训练好D-LinkNet模型,从S1所得取清晰区域图像中提取微血管整图。
进一步的,步骤S3中,在连通域的基础上遍历微血管整图中每根微血管及其对应的最小外接矩形,并通过面积和周长过滤掉微血管整图中的噪声点。求解每根微血管最小外接矩形按如下步骤进行:
S3.1:旋转原始多边形([-90°~90°]),求旋转每个度数后多边形的简单外接矩形并记录此时外接矩形的面积、顶点坐标以及旋转度数。平面上任意一点(x,y)绕点(x0,y0)逆时针旋转θ角度得到点(x',y'),旋转公式为
S3.2:比较旋转过程中所得所有简单外接矩形,得到面积最小的外接矩形,并记录该简单外接矩形的顶点坐标和旋转角度;
S3.3:将所得最小外接立方体旋转-θ角度即为所求最小外接矩形。
进一步的,步骤S4中,采用骨架化处理方法处理S3:中的每根微血管,提取每根微血管的中心线,通过中心线上每个像素点对应的微血管直径求出该像素点处微血管截面周长,周长计算公式为
ci=π·φ,
其中ci为中心线i处对应微血管截面周长,φi为中心线处微血管直径。
进一步的,步骤S5中,将微血管中心线上每个像素点对应的微血管截面向最小外接矩形与血管最大直径构成的立方体底面和侧面上做投影并计算微血管向这两个面的投影面密度。其中每根微血管最小外接立方体,是通过拉伸最小外接矩形至微血管最大直径φmax所得;面密度计算公式为
其中,N为微血管中心线上总的像素点个数,S为其最小外接立方体某底面或侧面面积。
进一步的,步骤S6中,对步骤S5所求面密度进行加权获得微血管扭曲程度系数,进而根据阈值区间给出微血管扭曲程度等级判定结果。
进一步的,计算扭曲程度系数,SA为底面面积,SB为侧面面积,由于SA与SB面积不同,因此采用加权方式获得扭曲程度系数,最终扭曲程度系数计算公式为
γ=δ1ρA+δ2ρB,
其中:
S=L·φmax
SA为最小外接立方体底面面积,SB为最小外接立方体侧面面积。
进一步的,扭曲程度等级判定,根据所得扭曲程度系数γ,对微血管扭曲程度等级进行判定,当扭曲程度系数γ≤0.7时,微血管扭曲程度为正常;当扭曲程度系数0.7<γ≤1.1时,微血管呈一般扭曲;当扭曲程度系数γ>1.1时,微血管为严重扭曲,即
本发明的优点及有益效果如下:
本发明提出使用面密度法来量化微血管扭曲程度,通过开发通用的且可重复的程序,提供半自动和自动图像分析,对微血管扭曲程度进行量化,可协助内镜医师提高胃早癌分析和诊断的可靠性和准确率。本发明根据胃部微血管形态结构,在连通域的基础上,寻找图像每根血管,并考虑微血管直径,构建微血管最小外接立方体。计算微血管向其最小外接立方体侧面和底面投影面密度,实现从三维空间角度获得微血管扭曲程度系数,最终给出与内镜医师诊断匹配度较高的微血管扭曲程度判定区间。本方法在整个计算过程可实现全自动化,极大的提高了量化过程的迅捷性并保证有很高的可靠性。
附图说明
图1为本发明的胃部微血管扭曲程度量化方法的实施示意图。
图2为本发明的胃部微微血管扭曲程度量化的建立方法示意图。
图3为本发明的提取血管中心线效果图。
图4为本发明的面密度法原理图。
图5为本发明的面密度法计算结果。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细的说明,并不是把本发明的实施范围限制于此。
请参照图1,本发明粘膜染色放大成像的微血管扭曲程度量化方法的实施示意图。如图1所示,本发明的一种胃粘膜染色放大成像的微血管扭曲程度量化方法包含面密度法。
请参照图2,其以本发明的一种胃粘膜染色放大成像的微血管扭曲程度量化方法的实施例为例,示意本发明中胃部微血管扭曲程度量化方法流程的建立,包含以下步骤#1-步骤#5。
步骤S1采用训练好的U-Net++分割模型从图像分割方法获取胃镜图像中提取清晰区域。
步骤S2采用D-LinkNet模型提取步骤#1所得清晰区域中的所有微血管构成微血管整图,并对分割出来的微血管整图进行后处理,去除图像中的噪声。
步骤S3在连通域的基础上遍历微血管整图中每根微血管及其对应的最小外接矩形,并通过面积和周长过滤掉微血管噪声点
步骤S4对步骤S3所得单根微血管采用面密度法来量化微血管扭曲程度,具体分为以下5个步骤实施:
S4.1:对单根微血管采用骨架化处理,提取血管中心线;
S4.2:构建微血管最小外接立方体,通过以下方法实施:
①求微血管最小外接矩形
旋转原始多边形([-90°~90°]),求旋转每个度数后多边形的简单外接矩形并记录此时外接矩形的面积、顶点坐标以及旋转度数。平面上任意一点(x,y)绕点(x0,y0)逆时针旋转θ角度得到点(x',y'),旋转公式为
②通过拉伸获得最小外接立方体
S4.3:如图4所示,通过微血管中心线每个像素点处的直径来计算对应位置处微血管截面周长,计算公式为
其中c为中心线i处对应微血管截面周长,φi为中心线处微血管直径。
S4.4:计算面密度,面密度计算公式为
其中,N为微血管中心线上总的像素点个数,S为其最小外接立方体某底面或侧面面积。
S4.5:如图4所示,最小外接立方体底面面积SA与侧面面积SB面积不同,采用加权方式获得扭曲程度系数,最终扭曲程度系数计算公式为:
γ=δ1ρA+δ2ρB,
其中:
S=L·φmax
SA为最小外接立方体底面面积,SB为最小外接立方体侧面面积。
步骤S5,按照步骤S4所得扭曲程度系数γ,对微血管扭曲程度等级进行判定,当扭曲程度系数γ≤0.7时,微血管扭曲程度为正常;当扭曲程度系数0.7<γ≤1.1时,微血管呈一般扭曲;当扭曲程度系数γ>1.1时,微血管为严重扭曲,即
计算6张图片的扭曲程度系数结果如表1和图5所示。结合表1和图5可以看出,扭曲程度系数越大,微血管扭曲程度越复严重。
根据扭曲程度等级判定方法,对95张患早期胃癌图像和115张未患早期胃癌图像进行扭曲程度等级判定,将结果与医师判定结果进行比对,匹配度表2所示。
表1:
图片 | 1 | 2 | 3 | 4 | 5 | 6 |
面密度法 | 1.63 | 1.61 | 0.59 | 0.65 | 0.86 | 1.27 |
表2:
Claims (9)
1.一种胃粘膜染色放大成像的微血管扭曲程度量化方法,其特征在于:包含如下步骤:
S1:输入待量化的胃粘膜染色放大成像原图,并采用深度学习分割模型,从原图中提取清晰区域图像;
S2:采用深度学习分割模型,从清晰区域图像提取微血管整图;
S3:在连通域的基础上,提取单根微血管及其对应的最小外接矩形,并通过连通域的面积和周长过滤掉微血管整图中的噪声点;
S4:遍历每根微血管,采用骨架化处理方法获取每根微血管的中心线,通过中心线上每个像素点对应的微血管直径求出该像素点处微血管截面周长;
S5:将微血管中心线上每个像素点对应的微血管截面向最小外接矩形与血管最大直径构成的立方体底面和侧面上做投影并计算微血管向这两个面的投影面密度;
S6:对步骤S5中所求面密度进行加权获得微血管扭曲程度系数,进而根据阈值区间给出微血管扭曲程度等级判定结果。
2.根据权利要求1所述的胃粘膜染色放大成像的微血管扭曲程度量化方法,其特征在于:所述步骤S1中,采用训练好的U-Net++分割模型从图像分割方法获取胃镜图像中提取清晰区域。
3.根据权利要求1所述的胃粘膜染色放大成像的微血管扭曲程度量化方法,其特征在于:所述步骤S2中,采用训练好D-LinkNet模型,从步骤S1所得取清晰区域图像中提取微血管整图。
4.根据权利要求1至3中任一所述的胃粘膜染色放大成像的微血管扭曲程度量化方法,其特征在于:所述步骤S3中,在连通域的基础上遍历微血管整图中每根微血管及其对应的最小外接矩形,并通过面积和周长过滤掉微血管整图中的噪声点。求解每根微血管最小外接矩形按如下步骤进行:
S3.1:旋转原始多边形([-90°~90°]),求旋转每个度数后多边形的简单外接矩形并记录此时外接矩形的面积、顶点坐标以及旋转度数;平面上任意一点(x,y)绕点(x0,y0)逆时针旋转θ角度得到点(x',y'),旋转公式为:
S3.2:比较旋转过程中所得所有简单外接矩形,得到面积最小的外接矩形,并记录该简单外接矩形的顶点坐标和旋转角度;
S3.3:将所得最小外接立方体旋转-θ角度即为所求最小外接矩形。
5.根据权利要求4所述的胃粘膜染色放大成像的微血管扭曲程度量化方法,其特征在于:步骤S4中,采用骨架化处理方法处理步骤S3中的每根微血管,提取每根微血管的中心线,通过中心线上每个像素点对应的微血管直径求出该像素点处微血管截面周长,周长计算公式为:
ci=π·φ,
其中ci为中心线i处对应微血管截面周长,φi为中心线处微血管直径。
7.根据权利要求6所述的胃粘膜染色放大成像的微血管扭曲程度量化方法,其特征在于:所述步骤S6中,对步骤S5所求面密度进行加权获得微血管扭曲程度系数,进而根据阈值区间给出微血管扭曲程度等级判定结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110453717.1A CN113205492B (zh) | 2021-04-26 | 2021-04-26 | 胃粘膜染色放大成像的微血管扭曲程度量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110453717.1A CN113205492B (zh) | 2021-04-26 | 2021-04-26 | 胃粘膜染色放大成像的微血管扭曲程度量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113205492A true CN113205492A (zh) | 2021-08-03 |
CN113205492B CN113205492B (zh) | 2022-05-13 |
Family
ID=77028673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110453717.1A Active CN113205492B (zh) | 2021-04-26 | 2021-04-26 | 胃粘膜染色放大成像的微血管扭曲程度量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205492B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643299A (zh) * | 2021-10-18 | 2021-11-12 | 武汉楚精灵医疗科技有限公司 | 微血管的弯曲程度量化方法、装置及计算机可读存储介质 |
CN113887677A (zh) * | 2021-12-07 | 2022-01-04 | 武汉大学 | 上皮乳头内毛细血管图像的分类方法、装置、设备及介质 |
CN114359280A (zh) * | 2022-03-18 | 2022-04-15 | 武汉楚精灵医疗科技有限公司 | 胃黏膜图像边界量化方法、装置、终端及存储介质 |
CN114359279A (zh) * | 2022-03-18 | 2022-04-15 | 武汉楚精灵医疗科技有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190159743A1 (en) * | 2017-11-30 | 2019-05-30 | Shenzhen Keya Medical Technology Corporation | Methods and devices for performing three-dimensional blood vessel reconstruction using angiographic images |
CN110689080A (zh) * | 2019-09-30 | 2020-01-14 | 天津工业大学 | 一种血管结构影像的平面图谱构建方法 |
CN111870230A (zh) * | 2020-07-16 | 2020-11-03 | 武汉大学 | 一种多参数肿瘤血管正常化检测系统及检测方法 |
CN111899229A (zh) * | 2020-07-14 | 2020-11-06 | 武汉楚精灵医疗科技有限公司 | 一种基于深度学习多模型融合技术的胃早癌辅助诊断方法 |
CN112465772A (zh) * | 2020-11-25 | 2021-03-09 | 平安科技(深圳)有限公司 | 眼底彩照图像血管评估方法、装置、计算机设备和介质 |
-
2021
- 2021-04-26 CN CN202110453717.1A patent/CN113205492B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190159743A1 (en) * | 2017-11-30 | 2019-05-30 | Shenzhen Keya Medical Technology Corporation | Methods and devices for performing three-dimensional blood vessel reconstruction using angiographic images |
CN110689080A (zh) * | 2019-09-30 | 2020-01-14 | 天津工业大学 | 一种血管结构影像的平面图谱构建方法 |
CN111899229A (zh) * | 2020-07-14 | 2020-11-06 | 武汉楚精灵医疗科技有限公司 | 一种基于深度学习多模型融合技术的胃早癌辅助诊断方法 |
CN111870230A (zh) * | 2020-07-16 | 2020-11-03 | 武汉大学 | 一种多参数肿瘤血管正常化检测系统及检测方法 |
CN112465772A (zh) * | 2020-11-25 | 2021-03-09 | 平安科技(深圳)有限公司 | 眼底彩照图像血管评估方法、装置、计算机设备和介质 |
Non-Patent Citations (1)
Title |
---|
周密等: "适用于三维微血管成像的定量分析方法", 《北京生物医学工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643299A (zh) * | 2021-10-18 | 2021-11-12 | 武汉楚精灵医疗科技有限公司 | 微血管的弯曲程度量化方法、装置及计算机可读存储介质 |
CN113887677A (zh) * | 2021-12-07 | 2022-01-04 | 武汉大学 | 上皮乳头内毛细血管图像的分类方法、装置、设备及介质 |
CN113887677B (zh) * | 2021-12-07 | 2022-03-01 | 武汉大学 | 上皮乳头内毛细血管图像的分类方法、装置、设备及介质 |
CN114359280A (zh) * | 2022-03-18 | 2022-04-15 | 武汉楚精灵医疗科技有限公司 | 胃黏膜图像边界量化方法、装置、终端及存储介质 |
CN114359279A (zh) * | 2022-03-18 | 2022-04-15 | 武汉楚精灵医疗科技有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN114359279B (zh) * | 2022-03-18 | 2022-06-03 | 武汉楚精灵医疗科技有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN114359280B (zh) * | 2022-03-18 | 2022-06-03 | 武汉楚精灵医疗科技有限公司 | 胃黏膜图像边界量化方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113205492B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113205492B (zh) | 胃粘膜染色放大成像的微血管扭曲程度量化方法 | |
CN107886508B (zh) | 差分减影方法和医学图像处理方法及系统 | |
WO2022063198A1 (zh) | 一种肺部图像处理方法、装置及设备 | |
CN113344859B (zh) | 胃黏膜染色放大成像的微血管环绕程度量化方法 | |
CN113573654A (zh) | 用于检测并测定病灶尺寸的ai系统 | |
JP6273291B2 (ja) | 画像処理装置および方法 | |
CN111798425B (zh) | 基于深度学习的胃肠道间质瘤中核分裂象智能检测方法 | |
CN112102385B (zh) | 一种基于深度学习的多模态肝脏磁共振影像配准系统 | |
JP2013255656A (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN113344860B (zh) | 胃黏膜染色放大图像微结构的异常程度量化方法 | |
CN102175625A (zh) | 一种癌细胞识别方法 | |
US20110064289A1 (en) | Systems and Methods for Multilevel Nodule Attachment Classification in 3D CT Lung Images | |
CN111292307A (zh) | 一种消化系统胆囊结石识别方法及定位方法 | |
WO2020224508A1 (zh) | 一种对实时影像中图像的物体轮廓进行加强的方法 | |
Zhuang et al. | APRNet: A 3D anisotropic pyramidal reversible network with multi-modal cross-dimension attention for brain tissue segmentation in MR images | |
Wen et al. | Pulmonary nodule detection based on convolutional block attention module | |
Adler et al. | Reconstruction of the human hippocampus in 3D from histology and high-resolution ex-vivo MRI | |
JP2012504003A (ja) | コンピュータを用いて実行される障害検出方法及び装置 | |
CN116934722A (zh) | 一种基于自校正坐标注意力的小肠微小目标检测方法 | |
CN116228709A (zh) | 一种胰腺实性占位病灶的交互式超声内镜图像识别方法 | |
CN113393425B (zh) | 胃黏膜染色放大成像的微血管分布对称性量化方法 | |
CN115994999A (zh) | 基于边界梯度注意力网络的杯状细胞语义分割方法及系统 | |
Ruano et al. | Robust descriptor of pancreatic tissue for automatic detection of pancreatic cancer in endoscopic ultrasonography | |
Wen et al. | Do noises bother human and neural networks in the same way? a medical image analysis perspective | |
CN111798426B (zh) | 用于移动端的胃肠道间质瘤中核分裂象深度学习检测系统 |
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 |