CN113421218A - 一种血管网络分支点的提取方法 - Google Patents
一种血管网络分支点的提取方法 Download PDFInfo
- Publication number
- CN113421218A CN113421218A CN202110413897.0A CN202110413897A CN113421218A CN 113421218 A CN113421218 A CN 113421218A CN 202110413897 A CN202110413897 A CN 202110413897A CN 113421218 A CN113421218 A CN 113421218A
- Authority
- CN
- China
- Prior art keywords
- point
- blood vessel
- pixel
- target
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 85
- 230000002792 vascular Effects 0.000 title claims abstract description 34
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 279
- 230000011218 segmentation Effects 0.000 claims abstract description 59
- 238000010586 diagram Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000003012 network analysis Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 23
- 239000011159 matrix material Substances 0.000 description 9
- 238000000605 extraction Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000002583 angiography Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003837 chick embryo Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012800 visualization 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种血管网络分支点的提取方法,所述方法包括获取血管图像的血管分割图;基于所述血管分割图,确定所述血管图像对应的骨架特征图;将所述骨架特征图与若干预设匹配模型进行匹配,以得到所述血管图像对应的分支点。本申请基于血管图像的血管分割图像确定骨架特征图,然后通过多角度匹配模型匹配骨架特图中的每个骨架特征点,以在骨架特征图中选取分支点,这样可以有效抑制分支点邻域内噪声的影响,从而可以提高分支点定位的准确性,进而可以提高基于分支点进行的血管网络分析的准确性。
Description
技术领域
本申请涉及医学图像处理技术领域,特别涉及一种血管网络分支点的提取方法。
背景技术
医学图像处理作为一种常用的分析手段,给血管网络的发展提供准确的数字定量分析结果,从而为血管网络的变化与疾病的发生提供新的判定标准。目前普遍使用的血管网络分析参数难以对血管网络畸形生长进行表征,而血管网络分析的新参数的表征,如统计扭曲度、多类型的血管段数量等,很大程度上依赖于血管关键节点(例如,分支点和末端点)检测,从而如何提高血管关键节点提取的准确性成为人们关注的焦点。
发明内容
本申请要解决的技术问题在于,针对现有技术的不足,提供一种血管网络分支点的提取方法。
为了解决上述技术问题,本申请实施例第一方面提供了一种血管网络分支点的提取方法,所述方法包括:
获取血管图像的血管分割图;
基于所述血管分割图,确定所述血管图像对应的骨架特征图;
将所述骨架特征图与若干预设匹配模型进行匹配,以得到所述血管图像对应的分支点,其中,若干预设匹配模型包括预设数量的目标匹配模型以及各目标匹配模型对应的若干参考匹配模型;每个目标匹配模型对应的各参考匹配模型均通过旋转所述目标匹配模型确定的,并且各参考匹配模型各自对应的旋转角度不同。
所述血管网络分支点的提取方法,其中,所述若干预设匹配模型包括Y型目标匹配模型和T型目标匹配模型,所述Y型目标匹配模型和所述T型目标匹配模型均包括若干匹配点和若干参考点,所述Y型目标匹配模型中的若干匹配点呈Y型布置,所述T型目标匹配模型中的若干匹配点呈T型布置。
所述血管网络分支点的提取方法,其中,目标匹配模型对应的各参考匹配模型各自对应的旋转角度均小于360度,并参考匹配模型各自对应的旋转角度以及360度构成等差数列。
所述血管网络分支点的提取方法,其中,所述血管图像为RGB血管图像,所述获取血管图像的血管分割图具体包括:
获取血管图像的绿色通道图,并将所述绿色通道图作为血管图像;
对所述待处理图像进行增强处理,并基于自适应阈值法确定增强后的待处理图像对应的血管分割图像。
所述血管网络分支点的提取方法,其中,所述基于所述血管分割图,确定所述血管图像对应的骨架特征图具体包括:
按照预设顺序扫描血管分割图中的每个像素点,若该像素点为血管像素点,则基于预设顺序在该像素点的邻域内选取若干目标邻域像素点,并基于获取到若干目标邻域像素点确定该像素点的第一层数;若该像素点为背景像素点,则将该像素点的第一层数设置为0;
按照预设顺序逆顺序扫描血管分割图中的每个像素点,若该像素点为血管像素点,则基于预设顺序逆顺序在该像素点的邻域内选取若干目标邻域像素点,并基于获取到若干目标邻域像素点确定该像素点的第二层数;若该像素点为背景像素点,则将该像素点的第二层数设置为0;
基于各像素点各自对应的第一层数和第二层数,确定各像素点各自对应的目标层数;
按照预设顺序遍历每个像素点,选取目标层数为其所处邻域内最大层数的目标像素点;
基于选取到的所有目标像素点,确定所述血管图像对应的骨架特征图。
所述血管网络分支点的提取方法,其中,所述将所述骨架特征图与若干预设匹配模型进行匹配,以得到所述血管图像对应的分支点具体包括:
选取骨架特征图中的候选分支点,其中,候选分支点的骨架邻域内包括骨架像素点,且该骨架邻域与各预设匹配模型的卷积至中存在一个卷积值为预设数值;
基于距离滤波在选取到候选关键点中选取分支点,以得到所述血管图像对应的分支点。
所述血管网络分支点的提取方法,其中,所述将所述骨架特征图与若干预设匹配模型进行匹配,以得到所述血管图像对应的分支点之后,所述方法还包括:
在所述骨架特征图中除分支点外中选取所述待处理图像对应的末端点,其中,末端点的骨架邻域内除该末端点外仅包含一个骨架像素点所述血管网络分支点的提取方法,其中,所述方法还包括:
对于血管图像对应的分支点中的每个分支点,确定该分支点对应的搜索路径起始点;
基于K最近邻算法确定该搜索路径起始点对应的搜索路径终止点,以得到各分支点各自对应的搜索路径终止点;
基于各分支点以及各分支点各自对应的搜索路径终止点,确定所述血管图像对应的血管段。
所述血管网络分支点的提取方法,其中,所述基于K最近邻算法确定该搜索路径起始点对应的搜索路径终止点,以得到各分支点各自对应的搜索路径终止点具体包括:
将搜索路径起始点作为目标搜索点,基于K最近邻算法确定该目标搜索点对应的下一搜索点;
若下一搜索点不为关节点和末端点,则将下一搜索点作为目标搜索点;
继续执行基于K最近邻算法确定该目标搜索点对应的下一搜索点的步骤,直至该下一搜索点为关节点或末端点;
将该下一搜索点作为该搜索路径起始点对应的搜索路径终止点,以得到各分支点各自对应的搜索路径终止点。
所述血管网络分支点的提取方法,其中,所述方法还包括:
对于所述血管图像对应的血管段中的每个血管段,获取该血管段的两端点各自对应的关键点类型,其中,关键点类型包括分支点或末端点;
基于两端点各自对应的关键点类型,确定该血管段对应的血管段类型,其中,所述血管段类型包括连接血管段、半连接血管段或截断血管段。
有益效果:与现有技术相比,本申请提供了一种血管网络分支点的提取方法,所述方法包括获取血管图像的血管分割图;基于所述血管分割图,确定所述血管图像对应的骨架特征图;将所述骨架特征图与若干预设匹配模型进行匹配,以得到所述血管图像对应的分支点。本申请基于血管图像的血管分割图像确定骨架特征图,然后通过多角度匹配模型匹配骨架特图中的每个骨架特征点,以在骨架特征图中选取分支点,这样可以有效抑制分支点邻域内噪声的影响,从而可以提高分支点定位的准确性,进而可以提高基于分支点进行的血管网络分析的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员而言,在不符创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请提供的血管网络分支点的提取方法的流程图。
图2为本申请提供的血管网络分支点的提取方法的流程示例图。
图3为邻域示意图。
图4为本申请提供的血管网络分支点的提取方法中的Y型目标匹配模型的示意图。
图5为本申请提供的血管网络分支点的提取方法中的T型目标匹配模型的示意图。
图6为本申请提供的血管网络分支点的提取方法中的Y型目标匹配模型旋转过程的示意图。
图7为本申请提供的血管网络分支点的提取方法中通过若干预设匹配模型筛选分支点的原理流程图。
图8为本申请提供的血管网络分支点的提取方法中邻域与若干预设匹配模型卷积流程的示意图。
图9为本申请提供的血管网络分支点的提取方法中确定血管段的流程示例图。
图10为本申请提供的血管网络分支点的提取方法的邻域关系示意图。
图11为本申请提供的血管网络分支点的提取方法中血管段类型的示意图。
图12为本申请提供的终端设备的结构原理图。
具体实施方式
本申请提供一种血管网络分支点的提取方法,为使本申请的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本申请进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
应理解,本实施例中各步骤的序号和大小并不意味着执行顺序的先后,各过程的执行顺序以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
发明人经过研究发现,医学图像处理作为一种常用的分析手段,给血管网络的发展提供准确的数字定量分析结果,从而为血管网络的变化与疾病的发生提供新的判定标准。目前普遍使用的血管网络分析参数难以对血管网络畸形生长进行表征,而血管网络分析的新参数的表征,如统计扭曲度、多类型的血管段数量等,很大程度上依赖于血管关键节点(例如,分支点和末端点)检测,从而如何提高血管关键节点提取的准确性成为人们关注的焦点。
目前普遍使用的血管常用于血管网络关键点识别以及提取血管段的算法主要有探测器识别法和邻域分析法,其中,探测器识别法采用圆形探测器检测血管网络的分支点,该方法根据血管网络骨架上的像素点与圆形探测器相交时做出的峰值响应进行判断。然而,当血管段出现结构扭曲或其他血管分支段进入圆形探测器检测范围时,分支点的定位容易出现误差;并且圆形探测器的半径会影响分支点定位的准确性,例如,当半径过大或者过小时均会导致分支点的定位不准。邻域分析法可以满足正常的血管网络的分支点检测要求。但是对于因病变等原因而发生畸形生长血管网络,因血管网络的血管结构发生扭曲,会使得血管中的非分支点被误判为分支点,进而导致检测分支点的准确度降低。
由此可知,现有技术普遍存在以下缺点:
1)噪声干扰:当探测器匹配骨架上分支点时,若其它血管段或者背景噪声进入探测器内时,获取得到分支点的位置会有较大的偏差;
2)准确性:①检测扭曲的血管结构的分支点准确度较低;②由于血管网络在发展过程中存在随机性,当两个分支点的距离很短时,会导致检测分支点的过程中出现位置与数量上的误差;
3)在复杂的血管网络中,对于分支点的检测以及对应血管段追踪需要进行多次迭代,使得运行速度慢。
在本申请实施例中,获取血管图像的血管分割图;基于所述血管分割图,确定所述血管图像对应的骨架特征图;将所述骨架特征图与若干预设匹配模型进行匹配,以得到所述血管图像对应的分支点。本申请基于血管图像的血管分割图像确定骨架特征图,然后通过多角度匹配模型匹配骨架特图中的每个骨架特征点,以在骨架特征图中选取分支点,这样可以有效抑制分支点邻域内噪声的影响,从而可以提高分支点定位的准确性,进而可以提高基于分支点进行的血管网络分析的准确性。
下面结合附图,通过对实施例的描述,对申请内容作进一步说明。
本实施例提供了一种血管网络分支点的提取方法,如图1和图2所示,所述方法包括:
S10、获取血管图像的血管分割图。
具体地,所述血管图像可以由安装有摄像机的显微镜上的摄像机拍摄得到,或者由视频播放设备中预先采集好的血管视频经过提取得到,也可以是通过X射线血管造影获取得到的等。在本实施例的一个实现方式中,血管图像为RGB血管图像,即血管图像包括R(Red,红色)通道图像、G(Green,绿色)通道图像以及B(Blue,蓝色)通道图像。在确定血管图像的血管分割图像时,可以直接对所血管图像进行分割,得到血管图像对应的血管分割图;或者是,选取该血管图像中的一个通道图像作为血管图像进行分割,得到血管分割图,例如,选取G通道图像、B通道图像或者R通道图像等。
在本实施例的一个实现方式中,所述血管图像为RGB血管图像,所述获取血管图像的血管分割图具体包括:
获取血管图像的绿色通道图,并将所述绿色通道图作为血管图像;
对所述待处理图像进行增强处理,并基于自适应阈值法确定增强后的待处理图像对应的血管分割图像。
具体地,所述RGB血管图像包括R通道图像、G通道图像以及B通道图像,其中,G通道图像中的血管区域与背景区域的对比度大于红色通道图像以及蓝色通道图像,从而在获取到RGB血管图像后,可以将RGB血管图像中的G通道图像、B通道图像以及R通道图像分离,并选取G通道图像作为血管图像。
进一步,所述对所述待处理图像进行增强处理可以包括海森矩阵滤波其中,海森矩阵由二阶偏导数构成,但由于二阶偏导数对噪声比较敏感,所以在求海森矩阵前要先对图像进行高斯平滑滤波,高斯滤波器滑窗半径设置为3个像素,方差设置为0.5。海森矩阵对血管结构的响应强,而对均匀背景的响应较弱。因此,对海森矩阵求其特征值γ2、γ1与特征向量V2、V1,按照特征值的顺序进行排列为|γ2|>|γ1|>0,同时两个特征值的绝对值代表两个正交方向的强度方差。通过计算图像上每个像素点上对应海森矩阵的特征值得到γ2的集合与γ1的集合,从γ2的集合中计算γ2对应的最大值γ2max、最小值γ2min、平均值γ2mean,从γ1的集合的中计算γ1对应的最大值γ1max、最小值γ1min、平均值γ1mean。如果γ2mean<γ2<γ2max,则判定γ2值偏大,若γ2min<γ2<γ2mean则判定γ2值偏小,同理得到γ1的判定关系,将特征值的关系归纳得到特征值与图像特征关系,如表1所示。
表示1特征值与图像特征关系
|γ<sub>1</sub>| | |γ<sub>2</sub>| | 图像特征 |
大 | 大 | 血管交叉结构 |
小 | 大 | 血管线性结构 |
小 | 小 | 背景 |
基于此,通过表1进行特征值的筛选,可对血管图像中的血管结构的信号增强,以增强了血管图像。
在本实施例的一个实现方式中,基于海森矩阵滤波对图像进行增强,虽然可以增强大部分的血管信号强度,但是毛细血管区域仍然可能是暗淡的。由此,在海森矩阵滤波后,可以采用分数阶微分算子(例如,阶数设置为0.4,滑窗半径为2个像素等)对血管图像的水平和垂直梯度场进行调节,在保留关键低频分量的同时增强高频分量,进一步凸显血管各个位置的信息,使毛细血管区域信号增强。
血管分割图包括血管区域和背景区域,背景区域为血管图像中除血管区域外的图像区域,也就是说,血管区域和背景区域构成血管分割图,并且血管区域和背景区域不重叠。例如,对于血管分割图中的任一像素点A,若像素点A包含于血管区域,则像素点A不包含于背景区域;若像素点A包含于背景区域,则像素点A不包含于血管区域,并且像素点A必然包含于血管区域或者背景区域。
所述血管分割图中的血管区域中的各血管像素点的像素值相同,背景区域中的各背景像素点的像素值相同,并且各血管像素点的像素值与各背景像素点的像素值不相同。例如,各血管像素点的像素值均为第一像素值,各背景像素点的像素值均为第二像素值等。
在本实施例的一个具体实现方式中,各血管像素点的像素值均1,各背景像素点的像素值均0。自适应阈值法确定血管分割图的过程可以为:通过预设灵敏度因子计算每个血管图像中的每个像素点的像素邻域的局部均值,在基于计算局部均值选择阈值,基于选取到的阈值确定该像素点为血管像素点或背景像素点。其中,灵敏度是指在[0,1]范围内的一个标量,灵敏度越大表示阈值的设置将更多像素作为前景;灵敏度的选择可以根据采集到的图像进行调整,例如,当血管图像(如鸡胚、视网膜等光学图像)中的血管区域与背景区域的辨识度高时,灵敏度设置可以设置为0.4;当血管区域与背景辨识度较低时,则灵敏度可以设置为0.6等。当然,在实际应用中,也可以采用其他方式对血管图像进行分割,以得到血管分割图像,例如,将血管图像输入经过训练的分割网络模型,通过分割网络模型确定血管图像对应的血管分割图等。
S20、基于所述血管分割图,确定所述血管图像对应的骨架特征图。
具体地,所述骨架特征图的图像尺寸与血管分割图的图像尺寸相同,骨架特征图中包括血管骨架区域以及目标背景区域,其中,血管骨架区域中的每个像素点均包含于血管分割图的血管区域,血管分割图的背景区域中每个像素点均包含于目标背景区域,且可以血管分割图的血管区域中的部分像素点可以包括于目标背景区域。可以理解的是,骨架特征图是通过将血管区域中的部分血管像素点转换为背景像素点所得到。
在本实施例的一个实现方式中,所述基于所述血管分割图,确定所述血管图像对应的骨架特征图具体包括:
按照预设顺序扫描血管分割图中的每个像素点,若该像素点为血管像素点,则基于预设顺序在该像素点的邻域内选取若干目标邻域像素点,并基于获取到若干目标邻域像素点确定该像素点的第一层数;若该像素点为背景像素点,则将该像素点的第一层数设置为0;
按照预设顺序逆顺序扫描血管分割图中的每个像素点,若该像素点为血管像素点,则基于预设顺序逆顺序在该像素点的邻域内选取若干目标邻域像素点,并基于获取到若干目标邻域像素点确定该像素点的第二层数;若该像素点为背景像素点,则将该像素点的第二层数设置为0;
基于各像素点各自对应的第一层数和第二层数,确定各像素点各自对应的目标层数;
按照预设顺序遍历每个像素点,选取目标层数为其所处邻域内最大层数的目标像素点;
基于选取到的所有目标像素点,确定所述血管图像对应的骨架特征图。
具体地,所述预设顺序为预先设置的,用于限定对血管分割图的扫描顺序,例如,预设顺序为从上到下、从左到右的顺序;或者是,从下到上、从左到右的顺序;或者是,从上到下、从右到左的顺序等。所述若干目标邻域像素点中的每个目标邻域像素点均包含于该像素点的邻域内,并且若干目标邻域像素点中的每个像素点基于预设顺序确定的扫描顺序均位于该像素点的扫描顺序之前,也就是说,在扫描该像素点时,该像素点对应的各目标邻域像素点均已经扫描完毕。此外,若干邻域像素点为该像素点的邻域内在扫描该像素点之前已被扫描的所有像素点。例如,预设顺序为从上到下、从左到右的顺序,该像素点为(x,y),该像素点的邻域如图3所示,那么该像素点(x,y)对应的若干目标邻域像素点包括像素点(x-1,y+1)、像素点(x-1,y)、像素点(x-1,y-1)以及像素点(x,y-1)。
所述目标层数用于判断血管像素点为边界点或者骨架点,每个像素点的目标层数基于其自身的像素值以及其对应的若干目标像素点的像素值确定。在一个实现方式中,所述目标层数为基于按照预设顺序扫描确定的第一层数和按照预设顺序的逆顺序扫描确定第二层数确定,其中,目标层数可以为像素点对应的第一层数以及第二层数中的最小值;或者像素点对应的第一层数以及第二层数中的均值作等。在一个具体实现方式中,目标层数为像素点对应的第一层数以及第二层数中的最小值。
在本实施例的一个实现方式中,第一层数的确定过程可以为:首先检测该像素点为血管像素点或背景像素点,若该像素点为背景像素点,则将该像素点的第一层数设置为0点;若该像素点为血管像素点,则获取若干目标邻域像素点各自对应的第一层数,在获取到的各第一层数中选取最小第一层数,然后将最小第一层数加1作为该像素点的第一层数。可以理解的是,当该像素点为血管像素点,则基于预设顺序在该像素点的邻域内选取若干目标邻域像素点,并将获取到各目标邻域像素点各自对应的第一层数中的最小第一层数加1,以得到该像素点的第一层数;当该像素点为背景像素点时,则直接将该像素点的第一层数设置为0。此外,第二层数的确定过程与第一层数的确定过程基本相同,两者不同之处在于第一层数对应的扫描顺序和第二层数对应的扫描顺序把图中,例如,第一层数对应的扫描顺序为从上到下、从左到右,那么第二层数对应的扫描顺序为自下到上、自右到左。相应的,在确定第一层数时像素点对应的目标邻域像素点和确定第二层数时像素点对应的目标邻域像素点不同,但是,第一层数确定过程中的若干目标邻域像素点,和第二层数确定过程中的若干目标邻域像素点均为该像素点的邻域内按照各自对应的扫描顺序已扫描完的邻域像素点构成的。
举例说明:血管分割图中的血管像素点的像素值为1,背景像素点的像素值为0,像素点(x,y)的邻域如图3所示,那么按照从上到下、从左到右的顺序依次扫描图像上的每一个像素点,若像素点(x,y)的像素值为1,获取像素点(x-1,y+1)、像素点(x-1,y)、像素点(x-1,y-1)以及像素点(x,y-1)的第一层数,并且选取这四个像素点中的最小第一层数,将选取到最小第一层数加1得到该像素点(x,y)的第一层数;若像素点(x,y)像素值为0,该像素点的第一层数为0。然后,按照自下到上、自右到左的顺序依次扫描图像上的每一个像素点,若像素点(x,y)的像素值为1,获取像素点(x+1,y+1)、像素点(x+1,y)、像素点(x+1,y+1)以及像素点(x,y+1)的第一层数,选取这四个像素点中的最小第一层数,将选取到最小第一层数加1得到该像素点(x,y)的第二层数;若像素点(x,y)像素值为0,该像素点的第二层数为0。最后,将第一层数与第二层数中的最小值作为该像素点(x,y)的第一层数。
在获取到各像素点各自对应的目标层数后,遍历各像素点,判断各像素点各自对应的邻域内中的各邻域像素点各自对应的邻域层数,在各像素点中选取层数为其对应的邻域内中的各邻域像素点各自对应的邻域层数中最大的目标像素点,将选取的所有目标像素点作为骨架特征点,未选取到的像素点作为目标背景像素点。由此,选取的骨架特征点构成骨架区域,选取到目标背景像素点构成目标背景区域。例如,当血管分割图中血管像素点的像素值为1,背景像素点的像素值为0时,将骨架特征点的像素值设置为1,目标背景区域的像素值设置为0,以得到骨架特征图。
S30、将所述骨架特征图与若干预设匹配模型进行匹配,以得到所述血管图像对应的分支点。
具体地,若干预设匹配模型包括预设数量的目标匹配模型以及各目标匹配模型对应的若干参考匹配模型。换句话说,若干预设匹配模型可以分为预设数量的预设匹配模型组,每个预设匹配模型组中均包括一目标匹配模型以及若干参考匹配模型,并且各预设匹配模型组中的各目标匹配模型互不相同。此外,各目标匹配模型对应的各参考匹配模型均通过旋转所述目标匹配模型确定的,并且各参考匹配模型各自对应的旋转角度不同。例如,目标匹配模型A对应参考匹配模型B和参考匹配模型C,参考匹配模型B和参考匹配模型C均通过目标匹配模型A旋转得到,并参考匹配模型B对应的旋转角度与参考匹配模型C对应的旋转角度不同。
所述若干预设匹配模型包括Y型目标匹配模型和T型目标匹配模型,所述Y型目标匹配模型和所述T型目标匹配模型均包括若干匹配点和若干参考点,所述Y型目标匹配模型中的若干匹配点呈Y型布置,所述T型目标匹配模型中的若干匹配点呈T型布置。在本实施例的一个实现方式中,所述Y型目标匹配模型的确定过程可以为:首先选取3*3网格,以3*3网格中的中央网格的中心为起始点,分别连接其左上方、右上方以及正下方的中心,以形成Y型目标匹配模型,例如,如图4所示的Y型目标匹配模型。所述T型目标匹配模型的确定过程可以为:首先选取3*3网格,以3*3网格中的中央网格的中心为起始点,分别连接其正左方、正右方以及正下方的的中心,以形成T型目标匹配模型,例如,如图5所示T型目标匹配模型。本实施例通过采用3*3的网格是构成Y型目标匹配模型与T形型目标匹配模型,并且每个目标匹配模型均包括4个匹配点,这样采用在最小规模的网格中建立匹配模型,能减少构建匹配模型的数量,大大缩短匹配分支点结构的运行时间,而且在预先建立好旋转匹配模型中配对,能节省下一步遍历像素点时重复进行旋转匹配的操作,降低算法的时间复杂度,减少程序的运行时间。
在所述目标匹配模型对应的各参考匹配模型各自对应的旋转角度均小于360度,并参考匹配模型各自对应的旋转角度以及360度构成等差数列。此外,参考匹配模型的确定过程可以为:将目标匹配模型的中心轴以等差数列的公差为旋转角度旋转,得到一参考匹配模型;然后,将该参考匹配模型以公差为旋转角度旋转,得到一参考匹配模型,依次类推直至旋转至与目标匹配模型重合,以得到若干参考匹配模型。当然,在实际应用中,确定过程也可以是将目标匹配模型的中心轴以等差数列的公差为旋转角度旋转,得到一参考匹配模型;然后,将目标匹配模型的中心轴以两倍公差为旋转角度旋转,依次类推,直至旋转至与目标匹配模型重合,以得到若干参考匹配模型。
例如,如图6所示,等差数列的公差为45°,Y型目标匹配模型为在3*3的网格中用4个像素点构成Y型目标匹配模型并以网格的中心点为Y型目标匹配模型的中心,将Y型目标匹配模型的中心轴以45°的大小顺时针旋转,如图4所示,并保存旋转得到像素点的位置分布,以得到一个参考匹配模型。然后以旋转得到的参考匹配模型继续顺时针旋转45°,重复此步骤直至旋转360°后停止,由此操作可得到8个不同角度分布Y型匹配模型。同理,可构建出8个不同角度分布T型匹配模型。
在本实施例的一个实现方式中,如图7所示,所述将所述骨架特征图与若干预设匹配模型进行匹配,以得到所述血管图像对应的分支点具体包括:
选取骨架特征图中的候选分支点;
基于距离滤波在选取到候选关键点中选取分支点,以得到所述血管图像对应的分支点。
具体地,候选分支点为骨架特征图中的像素点,并且该像素点的骨架邻域内包括骨架像素点,且该骨架邻域与各预设匹配模型的卷积至中存在一个卷积值为预设数值,其中,骨架像素点为骨架特征图中包含于骨架区域的像素点,换句话说,当骨架特征图为二值图时,骨架像素点的像素值为1。卷积值为通过将像素点的邻域与预设匹配模型进行卷积运算得到,对于每个像素点,将该像素点的邻域分别与各预设匹配模型进行卷积运算,以得到各预设匹配模型对应的卷积值,其中,该像素点的邻域尺寸与预设匹配模型的网格尺寸相同,并且在将该像素点的邻域分别与各预设匹配模型进行卷积运算时,该像素点对应的预设匹配模型的网格中心位置。
基于此,候选分支点的确定过程可以为:遍历骨架特征图中的每个像素点,若像素点的邻域除该像素点外的邻域像素点中存在骨架像素点,并且该像素点对应的邻域与若干预设匹配模型中任一预设匹配模型的卷积值为预设值,则说明该像素点的领域内的分支结构与旋转匹配模型匹配成功,记该像素点为候选分支点并保存其所在坐标位置。例如,预设数值为4,预设匹配模型包括9个多角度Y型匹配模型和9个多角度T型匹配模型,该像素点对应的邻域与18个预设匹配模型的任一预设匹配模型卷积后的卷积值为4,则说明该点领域内的分支结构与旋转匹配模型匹配成功,记该点为候选分支点并保存其所在坐标位置。如图8所示,当遍历到像素点A时,提取以像素点A为中心的3*3矩阵与18个预设匹配模型进行卷积,若其中存在卷积值为4,则将像素点A为候选分支点。
进一步,距离滤波用于限制邻近分支点的最小距离,将符合最小距离范围内的候选分支点作为分支点。例如,设置最小间距为n个像素点,建立大小为(2n+1)*(2n+1)的滑窗,且滑窗内的所有像素点的值均为1。遍历候选分支点,若滑窗与候选分支点所在位置的卷积大于1,则记录滑窗与候选分支点及其8邻域内点乘非零的各个坐标位置,然后统计坐标位置的平均值计算方法如下:
其中,n邻域内非零响应的数量,xi、yi为邻域内对应非零响应的坐标,将计算得到的平均值作为候选分支点,以得到所述血管图像对应的分支点。
在本实施例的一个实现方式中,所述将所述骨架特征图与若干预设匹配模型进行匹配,以得到所述血管图像对应的分支点之后,所述方法还包括:
在所述骨架特征图中除分支点外中选取所述待处理图像对应的末端点。
具体地,所述末端点的骨架邻域内除该末端点外仅包含一个骨架像素点,并且该末端点为骨架像素点。由此,所述末端点的确定过程可以为:通过遍历血管骨架上除分支点外的像素点,若该像素点的骨架邻域内除该像素点外的非零像素点的数量等于1,则判定其为血管网络的末端点。此外,在实际应用中,为了减少程序运行时间,末端点可以确定分支点的过程中同步确定。
在本实施例的一个实现方式中,所述方法还包括:
对于血管图像对应的分支点中的每个分支点,确定该分支点对应的搜索路径起始点;
基于K最近邻算法确定该搜索路径起始点对应的搜索路径终止点,以得到各分支点各自对应的搜索路径终止点;
基于各分支点以及各分支点各自对应的搜索路径终止点,确定所述血管图像对应的血管段。
具体地,搜索路径起始点为该分支点邻域内的骨架像素点,可以理解的是,每个分支点可以对应多个搜索路径起始点,例如,分支点A的邻域内存在骨架像素点a和骨架像素点b,那么骨架像素点a和骨架像素点b均为,分支点A的搜索路径起始点。搜索路径起始点的确定过程可以为:通过分支点的如图10所示的邻域关系搜寻分支点邻域内骨架像素点的像素坐标,将像素坐标记为搜索路径的起始点P1,存入起始点集合V4当中,这样在下次搜索分支点的起始点P1时,若P1在集合V4中,则跳过对应起始点的搜索路径,可以减少重复路径搜索,从而可以提高所述血管图像对应的血管段的确定速度。此外,在血管图像对应的分支点中的每个分支点对应的搜索路径终止点时,可以通过遍历血管图像的各分支点的方式进行,其中,遍历分支点的顺序按照分支点在骨架特征图中的位置顺序来确定,例如,按照从上到下,从左到右的顺序遍历分支点等。当然,当分支点对应的搜索路径起始点为多个时,分别确定每个搜索路径起始点对应的搜索路径终止点。此外,在血管图像对应的分支点中的每个分支点对应的搜索路径终止点时,可以通过遍历血管图像的各分支点的方式进行,其中,遍历分支点的顺序按照分支点在骨架特征图中的位置顺序来确定,例如,按照从上到下,从左到右的顺序遍历分支点等。
在本实施例的一个实现方式中,如图9所示,所述基于K最近邻算法确定该搜索路径起始点对应的搜索路径终止点,以得到各分支点各自对应的搜索路径终止点具体包括:
将搜索路径起始点作为目标搜索点,基于K最近邻算法确定该目标搜索点对应的下一搜索点;
若下一搜索点不为关节点和末端点,则将下一搜索点作为目标搜索点;
继续执行基于K最近邻算法确定该目标搜索点对应的下一搜索点的步骤,直至该下一搜索点为关节点或末端点;
将该下一搜索点作为该搜索路径起始点对应的搜索路径终止点,以得到各分支点各自对应的搜索路径终止点。
具体地,K最近邻算法用于确定目标搜索点的下一个搜索点的像素坐标,K最近邻算法获得距离目标搜索点上最近的两个目标点,并从目标点中选择从未搜索过的点作为下一个搜索点位置P2,在搜索到下一个搜索点P2时,判断下一个搜索点P2是否在由分支点和末端点构成的关键节点集合V3中:若下一个搜索点P2在关键节点集合V3中,则终止该路径的搜索,并将该下一搜索点P2作为该搜索路径起始点对应的搜索路径终止点,若下一搜索点不在关键节点集合V3中,则将下一搜索点作为目标搜索点;继续执行基于K最近邻算法确定该目标搜索点对应的下一搜索点的步骤。此外,若下一搜索点P2在关键节点集合V3中且为分支点,则将下一搜索点P2对应的目标搜索点存入起始点集合V4当中,这样可以避免重复搜索相同的骨架路径。此外,在搜索到搜索路径终止点后,保存搜索路径为血管段并记录搜索路径两端对应的关键节点,以便于基于记录两端对应的关键节点信息确定血管段。
同理,根据已知血管段的两端信息,排除末端点集合V2中血管段已保存的末端点,将搜索路径的目标转向剩下未使用过的末端点,通过K最近邻算法得到两端信息均由末端点构成的血管段,搜索结束后,保存搜索路径为血管段并记录搜索路径两端对应的关键节点。
在本实施例的一个实现方式中,所述方法还包括:
对于所述血管图像对应的血管段中的每个血管段,获取该血管段的两端点各自对应的关键点类型;
基于两端点各自对应的关键点类型,确定该血管段对应的血管段类型。
具体地,所述关键点类型包括分支点或末端点,所述血管段类型包括连接血管段、半连接血管段或截断血管段。如图11所示,所述全连接血管段的两端节点均为分支点,半连接血管段的两端节点分别是一个分支点以及一个末端点,截断型血管段的两端节点均为末端点。由此,基于各血管段各自对应的两个端点的关键点类型可以确定该血管段对应的血管段类型。在获取到各血管段各自对应的血管段类型后,可以采用不同颜色显示各血管段,以增强血管网络的可视化,便于后续观察以及定量分析血管网络的变化。
综上所述,本实施例提供了一种血管网络分支点的提取方法,所述方法包括获取血管图像的血管分割图;基于所述血管分割图,确定所述血管图像对应的骨架特征图;将所述骨架特征图与若干预设匹配模型进行匹配,以得到所述血管图像对应的分支点。本申请基于血管图像的血管分割图像确定骨架特征图,然后通过多角度匹配模型匹配骨架特图中的每个骨架特征点,以在骨架特征图中选取分支点,这样可以有效抑制分支点邻域内噪声的影响,从而可以提高分支点定位的准确性,进而可以提高基于分支点进行的血管网络分析的准确性。
基于上述血管网络分支点的提取方法,本实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上述实施例所述的血管网络分支点的提取方法中的步骤。
基于上述血管网络分支点的提取方法,本申请还提供了一种终端设备,如图3所示,其包括至少一个处理器(processor)20;显示屏21;以及存储器(memory)22,还可以包括通信接口(Communications Interface)23和总线24。其中,处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器22中的逻辑指令可以通过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。
存储器22作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种血管网络分支点的提取方法,其特征在于,所述方法包括:
获取血管图像的血管分割图;
基于所述血管分割图,确定所述血管图像对应的骨架特征图;
将所述骨架特征图与若干预设匹配模型进行匹配,以得到所述血管图像对应的分支点,其中,若干预设匹配模型包括预设数量的目标匹配模型以及各目标匹配模型对应的若干参考匹配模型;每个目标匹配模型对应的各参考匹配模型均通过旋转所述目标匹配模型确定的,并且各参考匹配模型各自对应的旋转角度不同。
2.根据权利要求1所述血管网络分支点的提取方法,其特征在于,所述若干预设匹配模型包括Y型目标匹配模型和T型目标匹配模型,所述Y型目标匹配模型和所述T型目标匹配模型均包括若干匹配点和若干参考点,所述Y型目标匹配模型中的若干匹配点呈Y型布置,所述T型目标匹配模型中的若干匹配点呈T型布置。
3.根据权利要求1或2所述血管网络分支点的提取方法,其特征在于,目标匹配模型对应的各参考匹配模型各自对应的旋转角度均小于360度,并参考匹配模型各自对应的旋转角度以及360度构成等差数列。
4.根据权利要求1所述血管网络分支点的提取方法,其特征在于,所述血管图像为RGB血管图像,所述获取血管图像的血管分割图具体包括:
获取血管图像的绿色通道图,并将所述绿色通道图作为血管图像;
对所述待处理图像进行增强处理,并基于自适应阈值法确定增强后的待处理图像对应的血管分割图像。
5.根据权利要求1所述血管网络分支点的提取方法,其特征在于,所述基于所述血管分割图,确定所述血管图像对应的骨架特征图具体包括:
按照预设顺序扫描血管分割图中的每个像素点,若该像素点为血管像素点,则基于预设顺序在该像素点的邻域内选取若干目标邻域像素点,并基于获取到若干目标邻域像素点确定该像素点的第一层数;若该像素点为背景像素点,则将该像素点的第一层数设置为0;
按照预设顺序逆顺序扫描血管分割图中的每个像素点,若该像素点为血管像素点,则基于预设顺序逆顺序在该像素点的邻域内选取若干目标邻域像素点,并基于获取到若干目标邻域像素点确定该像素点的第二层数;若该像素点为背景像素点,则将该像素点的第二层数设置为0;
基于各像素点各自对应的第一层数和第二层数,确定各像素点各自对应的目标层数;
按照预设顺序遍历每个像素点,选取目标层数为其所处邻域内最大层数的目标像素点;
基于选取到的所有目标像素点,确定所述血管图像对应的骨架特征图。
6.根据权利要求1所述血管网络分支点的提取方法,其特征在于,所述将所述骨架特征图与若干预设匹配模型进行匹配,以得到所述血管图像对应的分支点具体包括:
选取骨架特征图中的候选分支点,其中,候选分支点的骨架邻域内包括骨架像素点,且该骨架邻域与各预设匹配模型的卷积至中存在一个卷积值为预设数值;
基于距离滤波在选取到候选关键点中选取分支点,以得到所述血管图像对应的分支点。
7.根据权利要求1-6任意一项所述血管网络分支点的提取方法,其特征在于,所述将所述骨架特征图与若干预设匹配模型进行匹配,以得到所述血管图像对应的分支点之后,所述方法还包括:
在所述骨架特征图中除分支点外中选取所述待处理图像对应的末端点,其中,末端点的骨架邻域内除该末端点外仅包含一个骨架像素点。
8.根据权利要求7所述血管网络分支点的提取方法,其特征在于,所述方法还包括:
对于血管图像对应的分支点中的每个分支点,确定该分支点对应的搜索路径起始点;
基于K最近邻算法确定该搜索路径起始点对应的搜索路径终止点,以得到各分支点各自对应的搜索路径终止点;
基于各分支点以及各分支点各自对应的搜索路径终止点,确定所述血管图像对应的血管段。
9.根据权利要求8所述血管网络分支点的提取方法,其特征在于,所述基于K最近邻算法确定该搜索路径起始点对应的搜索路径终止点,以得到各分支点各自对应的搜索路径终止点具体包括:
将搜索路径起始点作为目标搜索点,基于K最近邻算法确定该目标搜索点对应的下一搜索点;
若下一搜索点不为关节点和末端点,则将下一搜索点作为目标搜索点;
继续执行基于K最近邻算法确定该目标搜索点对应的下一搜索点的步骤,直至该下一搜索点为关节点或末端点;
将该下一搜索点作为该搜索路径起始点对应的搜索路径终止点,以得到各分支点各自对应的搜索路径终止点。
10.根据权利要求8所述血管网络分支点的提取方法,其特征在于,所述方法还包括:
对于所述血管图像对应的血管段中的每个血管段,获取该血管段的两端点各自对应的关键点类型,其中,关键点类型包括分支点或末端点;
基于两端点各自对应的关键点类型,确定该血管段对应的血管段类型,其中,所述血管段类型包括连接血管段、半连接血管段或截断血管段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110413897.0A CN113421218B (zh) | 2021-04-16 | 2021-04-16 | 一种血管网络分支点的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110413897.0A CN113421218B (zh) | 2021-04-16 | 2021-04-16 | 一种血管网络分支点的提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113421218A true CN113421218A (zh) | 2021-09-21 |
CN113421218B CN113421218B (zh) | 2024-02-23 |
Family
ID=77711863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110413897.0A Active CN113421218B (zh) | 2021-04-16 | 2021-04-16 | 一种血管网络分支点的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113421218B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107689043A (zh) * | 2017-08-28 | 2018-02-13 | 重庆邮电大学 | 一种血管段终端节点与分支节点的获取方法 |
CN108022237A (zh) * | 2017-11-30 | 2018-05-11 | 上海联影医疗科技有限公司 | 血管提取方法、系统及存储介质 |
US20190347461A1 (en) * | 2017-04-26 | 2019-11-14 | South China University Of Technology | Three-dimensional finger vein recognition method and system |
CN110604616A (zh) * | 2019-09-10 | 2019-12-24 | 中国科学院深圳先进技术研究院 | 一种基于图搜索的介入手术路径规划方法、系统及电子设备 |
CN111091530A (zh) * | 2018-10-24 | 2020-05-01 | 华中科技大学 | 一种荧光图像中单神经元树突棘的自动检测方法及系统 |
CN111223090A (zh) * | 2020-01-16 | 2020-06-02 | 武汉轻工大学 | 人体肺部ct图像中肿瘤图像的识别系统 |
-
2021
- 2021-04-16 CN CN202110413897.0A patent/CN113421218B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190347461A1 (en) * | 2017-04-26 | 2019-11-14 | South China University Of Technology | Three-dimensional finger vein recognition method and system |
CN107689043A (zh) * | 2017-08-28 | 2018-02-13 | 重庆邮电大学 | 一种血管段终端节点与分支节点的获取方法 |
CN108022237A (zh) * | 2017-11-30 | 2018-05-11 | 上海联影医疗科技有限公司 | 血管提取方法、系统及存储介质 |
CN111091530A (zh) * | 2018-10-24 | 2020-05-01 | 华中科技大学 | 一种荧光图像中单神经元树突棘的自动检测方法及系统 |
CN110604616A (zh) * | 2019-09-10 | 2019-12-24 | 中国科学院深圳先进技术研究院 | 一种基于图搜索的介入手术路径规划方法、系统及电子设备 |
CN111223090A (zh) * | 2020-01-16 | 2020-06-02 | 武汉轻工大学 | 人体肺部ct图像中肿瘤图像的识别系统 |
Non-Patent Citations (4)
Title |
---|
李保梁: ""CAM血管新生图像处理算法研究"", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
李保梁: ""CAM血管新生图像处理算法研究"", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》, no. 08, 15 August 2016 (2016-08-15), pages 072 - 32 * |
李艳娟等主编: "《计算机算法设计与分析》", 东北林业大学出版社, pages: 72 - 74 * |
车辉: ""一种基于眼底图像的视网膜血管三维重建方法"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》, no. 03, 15 September 2007 (2007-09-15), pages 138 - 980 * |
Also Published As
Publication number | Publication date |
---|---|
CN113421218B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127466B (zh) | 医学图像检测方法、装置、设备及存储介质 | |
Sun et al. | Fast linear feature detection using multiple directional non‐maximum suppression | |
US6674904B1 (en) | Contour tracing and boundary detection for object identification in a digital image | |
Ofir et al. | On detection of faint edges in noisy images | |
CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
Gopinath et al. | A deep learning framework for segmentation of retinal layers from OCT images | |
KR20220139292A (ko) | 문자 분할 방법, 장치 및 컴퓨터 판독 가능 저장 매체 | |
CN108364297A (zh) | 血管图像分割方法、终端、存储介质 | |
CN107016680B (zh) | 一种基于显著性检测的害虫图像背景去除方法 | |
EP3895122A1 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
CN112102259A (zh) | 一种基于边界引导深度学习的图像分割算法 | |
CN109949288A (zh) | 肿瘤类型确定系统、方法及存储介质 | |
Chopin et al. | A hybrid approach for improving image segmentation: application to phenotyping of wheat leaves | |
CN113633375B (zh) | 一种非诊疗目的的虚拟支气管镜的构建方法 | |
Philip et al. | Automatic detection of myocardial contours in cine-computed tomographic images | |
CN111553927B (zh) | 棋盘格角点检测方法、检测系统、计算机装置及存储介质 | |
CN111738310B (zh) | 物料分类方法、装置、电子设备和存储介质 | |
CN113421218B (zh) | 一种血管网络分支点的提取方法 | |
CN106372593B (zh) | 一种基于血管收敛的视盘区定位方法 | |
CN110298816B (zh) | 一种基于图像重生成的桥梁裂缝检测方法 | |
Abdelsamea | An enhancement neighborhood connected segmentation for 2D-Cellular Image | |
Bendazzoli et al. | Priornet: lesion segmentation in pet-ct including prior tumor appearance information | |
CN113011498B (zh) | 基于彩色图像的特征点提取与匹配方法、系统及介质 | |
WO2010010349A1 (en) | Image analysis system & method | |
Tong et al. | Blob detection based on soft morphological filter |
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 |