CN113222956A - 基于超声图像识别血管中斑块的方法 - Google Patents
基于超声图像识别血管中斑块的方法 Download PDFInfo
- Publication number
- CN113222956A CN113222956A CN202110570605.4A CN202110570605A CN113222956A CN 113222956 A CN113222956 A CN 113222956A CN 202110570605 A CN202110570605 A CN 202110570605A CN 113222956 A CN113222956 A CN 113222956A
- Authority
- CN
- China
- Prior art keywords
- image
- intima
- blood vessel
- plaque
- threshold value
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 239000012528 membrane Substances 0.000 claims abstract description 14
- 230000017531 blood circulation Effects 0.000 claims abstract description 13
- 210000001715 carotid artery Anatomy 0.000 claims abstract description 11
- 241000270295 Serpentes Species 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000002604 ultrasonography Methods 0.000 claims description 9
- 230000002792 vascular Effects 0.000 abstract description 5
- 208000024172 Cardiovascular disease Diseases 0.000 description 5
- 208000026106 cerebrovascular disease Diseases 0.000 description 4
- 230000002526 effect on cardiovascular system Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 208000014882 Carotid artery disease Diseases 0.000 description 2
- 208000037876 carotid Atherosclerosis Diseases 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 208000006170 carotid stenosis Diseases 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition 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
- G06T7/10—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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10132—Ultrasound 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于超声图像识别血管中斑块的方法,具体步骤包括:选取包含颈动脉部位的超声灰度图像;将疑似血流区域提取出来;将提取出的图像设置一定透明度后与原先的图像叠加合成新图;在合成的新图上使用最大类间方差算法(OTSU)和snake算法算出血管内膜边界;将每条内膜边界划分为若干小段,将每一小段拟合成一条直线;取出小段上的每一个点到其拟合直线上的距离,进行累加并得到距离总值;设置距离总值的阈值,留下小于阈值的小段;对小段进行拟合,得到一条光滑的曲线;将光滑曲线图和开始寻找到的内膜图叠加,相邻的Y轴坐标相减,设置阈值,大于阈值部分认为是斑块;得到血管斑块。本发明提供的方法能够精确识别斑块。
Description
技术领域
本发明涉及一种基于超声图像识别血管中斑块的方法,属于计算机技术与医学图像的交叉领域。
背景技术
心脑血管病是危害人类健康和生命的重大疾病,根据2018年中国国民健康与营养大数据报告,心脑血管疾病和肿瘤极大降低了中国国民的寿命。在我国,心脑血管疾病患病率高达20%。据估计,我国现有脑卒中病人至少700万,心肌梗死病人250万,其他心血管疾病患者人数近千万。血管问题如颈动脉粥样硬化与心脑血管疾病密切相关,是导致死亡病例一个重要因素,其中颈动脉内膜-中膜厚度的局部增加是颈动脉粥样硬化的标志。运用廉价且便捷的超声成像技术,能够在无创,无辐射的情况下对患者血管进行成像。
目前针对超声图像中血管中斑块分割的方法可以分为两大类:基于边界的分割和基于区域的分割。基于边界的分割主要借助图像中像素间的梯度、相对亮度等特征在图像中寻找对应颈动脉斑块轮廓的曲线。其中基于主动轮廓模型的Snake算法以及在此基础上的各种改进算法被广泛运用。基于区域的分割则是通过对图像中每一个像素点进行分类,实现对颈动脉斑块的分割。其中大部采用对于图像中一小片域提取纹理特征,再借助人工标注好的训练集进行训练来实现预测的方法。两种不同的分割方法大多包含有两个步骤,首先进行感兴趣区域(Region of interest,ROI)的提取,之后在ROI中进行进一步的分类操作。
基于边界的分割中一个对于Snake算法进行优化的例子是ChengD等人的工作。他们根据颈动脉斑块边界上的纹理情况与实际应用中出现的一些问题作出改进。首先修改了原算法中的外力项使得曲线更趋向于像素值由低到高跃变的边界。针对初始边界通常位于目标轮廓上方的情况,他们同时添加了随着迭代步数减小的,向下的外力。梯度也是斑块分割过程中经常使用的数据。由于内中膜边界的上下像素具有明显不同的亮度,因此在内中膜边界处图像像素梯度较大。
基于区域的分割中QianC等人提出了一个完整的颈动脉斑块分割流程。这套流程首先借助SLIC与Adaboost方法对超声图像生成超像素点而后进行聚类。在聚类结果的基础上人工选取ROI,之后在ROI中可以使用一些分类算法,根据每个像素点周围的纹理特征对单个像素点进行分类。在文章中使用了SVM与randomforest等算法。
由于超声图像的信噪比低的情况,借助图像梯度实现分割的算法往往不能取得稳定的结果。基于区域的分割算法虽然被报道能够取得很好的效果,但是由于实际应用中超声设备带来的成像质量差异,使得这类算法需要根据实际情况增加训练集,而医学图像的标注又是巨大的工作量。并且算法中的不可解释性使得应用的成功率难以保证。
发明内容
为克服上述现有技术存在的不足,本发明通过模拟人眼识别内中膜的过程来进行内中膜的识别;在保证程序可解释,结果可控的情况下尽可能的达到快速而准确的颈动脉斑块识别。
本发明针对颈动脉超声图片,首先使用最大类间方差算法(OTSU)识别出亮度低于其他组织的血管区域,将血管上下内膜边缘大致提取出来,在此基础上使用snake算法优化上下内膜轮廓。通过选取内膜轮廓中平滑部分的方式得到内膜上未增厚段的边缘。根据内膜外侧的血管壁在超声图像中呈现强反射区域,以及正常内膜上下界面与皮肤(即超声探头)接近平行的特征。并拟合二次曲线得到完整的内膜边界。通过分别识别内膜的两个界面实现内膜的分割。
本发明提供了一种基于超声图像识别血管中斑块的方法,包括以下步骤:
1.选取包含颈动脉部位的超声灰度图像。
2.设定一个灰度阈值,低于该灰度阈值的像素置为0,图像上显示为黑色,称为疑似组织区域;将高于该灰度阈值的像素置为1,图像上显示为白色,称为疑似血流区域。
3.舍弃图像中面积较小的白色区域,以及与图像上下边缘接触的白色区域,即可将超声图像中的疑似血流区域提取出来。
4.将提取出的疑似血流区域图像设置一定透明度后与原先的颈动脉超声图像叠加合成新图。在合成的新图上使用最大类间方差算法(OTSU)和snake算法算出血管内膜边界。在识别出的曲线中选取较长的曲线,一般为上下两条边界曲线;如果只有一条,认为是上下边界连接了起来,基于Y坐标使用OTSU将它分割成两条;如果有大于两条的长边界,返回所有边界,从中筛选处最长的两条。
5.对于步骤4中得到的每条内膜边界,分别将其划分为若干小段,将每一小段拟合成一条直线,取出小段上的每一个点到其拟合直线上的距离,进行累加并得到距离总值。设置距离总值的阈值,只留下小于阈值的小段,它们所代表的即是血管内膜较为平滑的部分。
6.对上下内膜,将步骤5中筛选出的各小段进行拟合,分别得到一条光滑的曲线,以此完成血管内膜的识别。
7.将步骤6得到的拟合后光滑曲线图和步骤4得到的内膜识别图叠加。此时在叠加图上应该有4条曲线。以横向为X轴,纵向为Y轴建立直角坐标系。对X轴每个值,4条曲线应有4个Y值,从上到下分别为y1,y2,y3,y4,。分别将上下内膜在步骤6和步骤4得到的曲线Y轴坐标值相减,即Δy=y1-y2,Δy′=y3-y4,就会得到两条差值的曲线。设置阈值,Δy和Δy′大于阈值的部分,即可认为是斑块。
本发明提供的超声图像中颈动脉斑块的自动分割算法有以下几个创新点:(1)利用血管内、外膜实现了血管斑块的全自动分割;(2)将血管内膜划分成许多平滑的小段,基于得到的平滑内边界向两侧平移得到血管外壁,拟合二次函数得到外壁边界;(3)根据内外膜相对位置计算差值,依据差值的突变寻找斑块,保证了检测出的斑块位置的合理性。
本发明提供的基于超声图像识别血管中斑块算法能够达到以下目标:(1)能精确分割出血管斑块;(2)基于本方法能够提供准确有效的颈动脉血管斑块信息。
附图说明
图1是血管内斑块识别算法流程图。
图2是血流区域提取流程图。
图3是血管内膜识别流程图。
图4是血管内斑块识别图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1所示,算法了流程具体包括:选取包含颈动脉部位的超声灰度图像;将疑似血流区域提取出来;将提取出的疑似血流区域图像设置一定透明度后与原先的颈动脉超声图像叠加合成新图;在合成的新图上使用最大类间方差算法(OTSU)和snake算法计算出血管内膜边界:只有一条长边界,基于Y坐标使用OTSU将它分割成两条,有上下两条边界,保留两条长边界,大于两条的长边界,返回所有边界,筛选出最长的两条;将每条内膜边界划分为若干小段,将每一小段拟合成一条直线;取出小段上的每一个点到其拟合直线上的距离,进行累加并得到距离总值;设置距离总值的阈值,留下小于阈值的小段;对小段进行拟合,得到一条光滑的曲线;将得到的拟合后的光滑曲线图和开始寻找到的内膜图叠加,相邻的Y轴坐标相减,设置阈值,大于阈值部分认为是斑块;得到血管斑块。
如图2所示,图2(a)包含颈动脉部位的超声灰度图像。设定一个灰度阈值,将图2(a)中低于该灰度阈值的设为0,图像上显示为黑色,称为疑似组织区域;将高于该灰度阈值的设为1,图像上显示为白色,称为疑似血流区域,结果如图2(b)所示。将图2(b)疑似血流区域提取出来:丢弃图2(b)面积较小的白色区域,丢弃与图像上下边缘接触的白色区域。即可将超声图像中的血管图像提取出来,结果如图2(c)所示。
如图3所示,将图2(c)提取出的疑似血流区域图像设置一定透明度后与将图2(c)原先的颈动脉超声图像叠加合成新图,结果显示为图3(a)。如图3(b)所示,在合成的新图上使用最大类间方差算法(OTSU)和snake算法血管内膜边界。在识别出的曲线中选取较长的曲线,一般为上下两条边界曲线;如果只有一条,认为是上下边界连接了起来,基于Y坐标使用OTSU将它分割成两条;如果有大于两条的长边界,返回所有边界,从中筛选处最长的两条。如图3(c)所示,对于上述得到的每条内膜边界,分别将其划分为若干小段,将每一小段拟合成一条直线,取出小段上的每一个点到其拟合直线上的距离,进行累加并得到距离总值。设置距离总值的阈值,只留下小于阈值的小段,它们所代表的即是血管内膜较为平滑的部分。如图3(d)所示,对上下内膜用上述步骤中筛选出的小段进行拟合,分别得到一条光滑的曲线,以此完成血管内膜的识别。
如图4所示,将图3(d)拟合后光滑曲线图和图3(b)内膜识别图叠加。此时在叠加图上应该有4条曲线。以横向为X轴,纵向为Y轴建立直角坐标系。对X轴每个值,4条曲线应有4个Y值,从上到下分别为y1,y2,y3,y4,。分别将上下内膜在步骤6和步骤4得到的曲线Y轴坐标值相减,即Δy=y1-y2,Δy′=y3-y4,就会得到两条差值的曲线。设置阈值,Δy和Δy′大于阈值的部分,即可认为是斑块。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的普通技术人员应该了解,上述实施例不以任何形式限制本发明的保护范围,凡采用等同替换等方式所获得的技术方案,均落于本发明的保护范围内。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
Claims (3)
1.一种基于超声图像识别血管中斑块的方法,针对颈动脉超声图像进行具体识别斑块,包括以下步骤:
步骤1.选取包含颈动脉部位的超声灰度图像;
步骤2.设定一个灰度阈值,低于该灰度阈值的像素置为0,图像上显示为黑色,称为疑似组织区域;将高于该灰度阈值的像素置为1,图像上显示为白色,称为疑似血流区域;
步骤3.舍弃图像中面积较小的白色区域,以及与图像上下边缘接触的白色区域,即可将超声图像中的疑似血流区域提取出来;
步骤4.将提取出的疑似血流区域图像设置一定透明度后与原先的颈动脉超声图像叠加合成新图,在合成的新图上使用最大类间方差算法OTSU和snake算法算出血管内膜边界,步骤5.对于步骤4中得到的每条内膜边界,分别将其划分为若干小段,将每一小段拟合成一条直线,取出小段上的每一个点到其拟合直线上的距离,进行累加并得到距离总值,设置距离总值的阈值,只留下小于阈值的小段,该小段所代表的即是血管内膜较为平滑的部分;
步骤6.对上下内膜,将步骤5中筛选出的各小段进行拟合,分别得到一条光滑的曲线,以此完成血管内膜的识别;
步骤7.将步骤6得到的拟合后光滑曲线图和步骤4得到的内膜识别图叠加,此时在叠加图上有4条曲线,以横向为X轴,纵向为Y轴建立直角坐标系,对X轴每个值,4条曲线有4个Y值,从上到下分别为y1,y2,y3,y4,分别将上下内膜在步骤6和步骤4得到的曲线Y轴坐标值相减,即Δy=y1-y2,Δy′=y3-y4,得到两条差值的曲线,设置阈值,Δy和Δy′大于阈值的部分,则认为是斑块。
2.根据权利要求1所述的一种基于超声图像识别血管中斑块的方法,其特征在于,所述步骤4中,针对颈动脉超声图片,首先使用最大类间方差算法OTSU识别出亮度低于其他组织的血管区域,将血管上下内膜边缘提取出来,在此基础上使用snake算法优化上下内膜轮廓,通过选取内膜轮廓中平滑部分的方式得到内膜上未增厚段的边缘;根据内膜外侧的血管壁在超声图像中呈现强反射区域,以及正常内膜上下界面与皮肤接近平行的特征,并拟合二次曲线得到完整的内膜边界,通过分别识别内膜的两个界面实现内膜的分割。
3.根据权利要求1所述的一种基于超声图像识别血管中斑块的方法,其特征在于,所述步骤4中,在识别出的曲线中选取上下两条边界曲线;如果只有一条,认为是上下边界连接了起来,基于Y坐标使用OTSU将它分割成两条;如果有大于两条的长边界,返回所有边界,从中筛选处最长的两条。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110570605.4A CN113222956B (zh) | 2021-05-25 | 2021-05-25 | 基于超声图像识别血管中斑块的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110570605.4A CN113222956B (zh) | 2021-05-25 | 2021-05-25 | 基于超声图像识别血管中斑块的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222956A true CN113222956A (zh) | 2021-08-06 |
CN113222956B CN113222956B (zh) | 2023-09-15 |
Family
ID=77098483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110570605.4A Active CN113222956B (zh) | 2021-05-25 | 2021-05-25 | 基于超声图像识别血管中斑块的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222956B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1852392A (zh) * | 2006-05-11 | 2006-10-25 | 上海交通大学 | 基于活动轮廓线的印刷网点图像分割方法 |
US20120075638A1 (en) * | 2010-08-02 | 2012-03-29 | Case Western Reserve University | Segmentation and quantification for intravascular optical coherence tomography images |
CN102629326A (zh) * | 2012-03-19 | 2012-08-08 | 天津工业大学 | 一种基于单目视觉的车道线检测方法 |
CN102800088A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 超声颈动脉斑块自动分割方法 |
CN102800089A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 基于颈部超声图像的主颈动脉血管提取和厚度测量方法 |
CN103886599A (zh) * | 2014-03-26 | 2014-06-25 | 北京工业大学 | 一种基于血管内超声图像的血管roi分割方法 |
CN106485203A (zh) * | 2016-09-19 | 2017-03-08 | 天津大学 | 颈动脉超声图像内中膜厚度测量方法及系统 |
CN107133959A (zh) * | 2017-06-12 | 2017-09-05 | 上海交通大学 | 一种快速的血管边界三维分割方法及系统 |
CN109872358A (zh) * | 2019-01-31 | 2019-06-11 | 大连海事大学 | 一种基于活动轮廓模型的船载雷达图像海上油膜识别方法 |
CN111986139A (zh) * | 2019-05-23 | 2020-11-24 | 深圳市理邦精密仪器股份有限公司 | 颈动脉内中膜厚度的测量方法、设备及存储介质 |
CN112672691A (zh) * | 2018-12-29 | 2021-04-16 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像方法及设备 |
-
2021
- 2021-05-25 CN CN202110570605.4A patent/CN113222956B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1852392A (zh) * | 2006-05-11 | 2006-10-25 | 上海交通大学 | 基于活动轮廓线的印刷网点图像分割方法 |
US20120075638A1 (en) * | 2010-08-02 | 2012-03-29 | Case Western Reserve University | Segmentation and quantification for intravascular optical coherence tomography images |
CN102629326A (zh) * | 2012-03-19 | 2012-08-08 | 天津工业大学 | 一种基于单目视觉的车道线检测方法 |
CN102800088A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 超声颈动脉斑块自动分割方法 |
CN102800089A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 基于颈部超声图像的主颈动脉血管提取和厚度测量方法 |
CN103886599A (zh) * | 2014-03-26 | 2014-06-25 | 北京工业大学 | 一种基于血管内超声图像的血管roi分割方法 |
CN106485203A (zh) * | 2016-09-19 | 2017-03-08 | 天津大学 | 颈动脉超声图像内中膜厚度测量方法及系统 |
CN107133959A (zh) * | 2017-06-12 | 2017-09-05 | 上海交通大学 | 一种快速的血管边界三维分割方法及系统 |
CN112672691A (zh) * | 2018-12-29 | 2021-04-16 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像方法及设备 |
CN109872358A (zh) * | 2019-01-31 | 2019-06-11 | 大连海事大学 | 一种基于活动轮廓模型的船载雷达图像海上油膜识别方法 |
CN111986139A (zh) * | 2019-05-23 | 2020-11-24 | 深圳市理邦精密仪器股份有限公司 | 颈动脉内中膜厚度的测量方法、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
JOERIK DE等: "automated 3D geometry segmentation of the healthy and diseased carotid artery in free-hand probe tracked ultrasound images", MEDICAL PHYSICS, pages 1 - 14 * |
吴显淞: "基于IVUS和CAG图像的几何三维重建分析与研究", 中国优秀硕士学位论文全文数据库医药卫生科技辑, no. 7, pages 060 - 7 * |
李锵;张琦;关欣;滕建辅;: "基于改进模糊C均值算法的颈动脉超声图像分割", 天津大学学报(自然科学与工程技术版), no. 01, pages 95 - 102 * |
Also Published As
Publication number | Publication date |
---|---|
CN113222956B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jolly | Automatic segmentation of the left ventricle in cardiac MR and CT images | |
Buelow et al. | Automatic extraction of the pulmonary artery tree from multi-slice CT data | |
EP2658439B1 (en) | Automatic left ventricular function evaluation | |
US7970189B2 (en) | Method of automatic extraction of the pulmonary artery tree from 3D medical images | |
Wimmer et al. | A generic probabilistic active shape model for organ segmentation | |
US7773789B2 (en) | Probabilistic minimal path for automated esophagus segmentation | |
CN110047086B (zh) | 颈动脉内膜厚度自动测量方法及系统 | |
CN106846346B (zh) | 基于关键帧标记的序列ct图像骨盆轮廓快速提取方法 | |
Casiraghi et al. | Automatic abdominal organ segmentation from CT images | |
CN106780491B (zh) | Gvf法分割ct骨盆图像中采用的初始轮廓生成方法 | |
Maitra et al. | Accurate breast contour detection algorithms in digital mammogram | |
KR20200075152A (ko) | 안저 영상과 형광안저혈관조영 영상의 정합을 이용한 자동 혈관 분할 장치 및 방법 | |
CN106780492B (zh) | 一种ct骨盆图像的关键帧提取方法 | |
CN112991365A (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
Guo et al. | A novel myocardium segmentation approach based on neutrosophic active contour model | |
KR20200093502A (ko) | 안저 영상과 형광안저혈관조영 영상의 정합을 이용한 자동 혈관 분할 장치 및 방법 | |
CN112102275A (zh) | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 | |
Prentasic et al. | Weighted ensemble based automatic detection of exudates in fundus photographs | |
Mosbech et al. | Automatic segmentation of abdominal adipose tissue in MRI | |
WO2010079519A1 (en) | Method and system for the automatic recognition of lesions in a set of breast magnetic resonance images | |
CN112862850A (zh) | 数字剪影血管造影影像处理方法及装置 | |
Devasia et al. | Automatic optic disc boundary extraction from color fundus images | |
CN113222956A (zh) | 基于超声图像识别血管中斑块的方法 | |
Kazemi et al. | Automated segmentation of cardiac fats based on extraction of textural features from non-contrast CT images | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |