CN114332013B - 基于肺动脉树分级的ct图像靶肺段识别方法 - Google Patents
基于肺动脉树分级的ct图像靶肺段识别方法 Download PDFInfo
- Publication number
- CN114332013B CN114332013B CN202111636037.XA CN202111636037A CN114332013B CN 114332013 B CN114332013 B CN 114332013B CN 202111636037 A CN202111636037 A CN 202111636037A CN 114332013 B CN114332013 B CN 114332013B
- Authority
- CN
- China
- Prior art keywords
- segment
- lung
- node
- tree
- arterial
- 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.)
- Active
Links
- 210000004072 lung Anatomy 0.000 title claims abstract description 101
- 210000001147 pulmonary artery Anatomy 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 23
- 210000001367 artery Anatomy 0.000 claims abstract description 26
- 210000000621 bronchi Anatomy 0.000 claims abstract description 21
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 7
- 230000002685 pulmonary effect Effects 0.000 claims description 5
- 210000003437 trachea Anatomy 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002792 vascular Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 abstract description 6
- 210000003484 anatomy Anatomy 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于肺动脉树分级的CT图像靶肺段识别方法，包括以下步骤：步骤S1:获取CT图像数据，并重建出肺结构，包括肺结节、支气管、肺动脉树和肺叶；步骤S2:对肺动脉树提取初始中心线，并通过端点检测器和轨迹提取器构造完整且连续的拓扑树;步骤S3:根据拓扑树，结合肺叶、支气管先验知识进行约束，确定18个动脉节段子树；步骤S4:确定靶向动脉分支；步骤S5:对肺叶上的每个体素点计算最邻近动脉节段子树，并归属到相应的肺段；同样的，根据距离关系，计算靶向动脉分支在关联肺段中所支配区域，确定靶肺段。本发明充分考虑各肺解剖结构之间的关联性，实现动脉的分级标注，精准确定靶向动脉分支，进而划分肺段和确认靶肺段。
Description
技术领域
本发明涉及图像识别领域，涉及一种基于肺动脉树分级的CT图像靶肺段识别方法。
背景技术
靶肺段的确认是在提取肺实质的基础上，根据肺支气管的分级情况划分相应肺段，再根据病灶位置的切缘确定最小切除范围。靶肺段不仅是单一肺段，还包括联合肺段、联合亚肺段和肺段联合亚肺段等。然而，由于CT成像部分容积效应的影像，支气管分辨率有限，难以获得完整的亚肺段支气管。鉴于亚肺段支气管伴行于相应级别的肺动脉，且动脉在CT图像上有更好的可见性和特征，可以根据肺动脉分级进一步分割出更小的亚段、甚至亚亚段。
近年来，关于胸部CT图像的研究主要集中在分割肺实质和肺叶上，特别是基于深度学习的肺叶分割方法，但关于肺段及亚肺段的划分的研究成果较少。这主要由于在CT图像上，肺段以及亚肺段边界不可见性，难以获取客观、精准的标注数据集。目前已有的靶肺段确认方法主要是借助解剖结构进行划分，比如利用肺支气管分级标注划分肺段、根据距离与叶裂相对位置划分肺段、利用肺静脉确定段间平面来划分肺段等。但目前的几种方法仍存在以下局限：(1)容易受到CT成像质量和患者疾病的影响，导致支气管分割不足进而肺段划分效果不佳；(2)同时，支气管难以提取到亚段级别难以进行亚肺段划分；(3)肺部解剖结构复杂多变，往往考虑局部解剖特征，忽略肺部整体结构，没有充分结合其他解剖结构对应关系。
发明内容
有鉴于此，本发明的目的在于提供一种基于肺动脉树分级的CT图像靶肺段识别方法，通过深度学习的方法重建肺解剖结构，充分考虑各肺解剖结构之间的关联性，实现动脉的分级标注，精准确定靶向动脉分支，进而划分肺段和确认靶肺段。
为实现上述目的，本发明采用如下技术方案：
一种基于肺动脉树分级的CT图像靶肺段识别方法，包括以下步骤：步骤S1:获取CT图像数据，并重建出肺结构，包括肺结节、支气管、肺动脉树和肺叶；
步骤S2:对肺动脉树提取初始中心线，并通过端点检测器和轨迹提取器构造完整且连续的拓扑树；
步骤S3:根据拓扑树，结合肺叶、支气管先验知识进行约束，确定18个动脉节段子树；
步骤S4:确定靶向动脉分支；
步骤S5:对肺叶上的每个体素点计算最邻近动脉节段子树，并归属到相应的肺段；同样的，根据距离关系，计算靶向动脉分支在关联肺段中所支配区域，确定靶肺段。
进一步的，所述步骤S2具体为：
步骤S21:通过将肺动脉树进行距离变换得到距离图，通过快速步进法从潜在末端点迭代跟踪到根节点以便获取分支轨迹，即获取初始中心线骨架P，同时记录每个骨架节点pi的信息属性，包括它的三维空间坐标信息(xi,yi,zi)、尺度信息scalei和父子节点信息；
步骤S22:沿着血管树从根节点出发，开始进行深度优先遍历；
步骤S23:通过检测端点位置，进而判断该端点是断裂节点还是分支末端点。若为断点，则通过轨迹提取器弥补断裂位置。
进一步的，所述检测端点位置具体为：
(1)设动脉中心线应该存在动脉树内部，移除错误骨架节点，并更新其父子节点信息；
(2)从根节点出发，若骨架节点pi有且仅有一个子节点和一个父节点，则该节点为分支点；若骨架节点pi有多个子节点和一个父节点，则该节点为分叉点；若骨架节点有父节点无子节点或无父节点有子节点，则该节点为端点。
进一步的，所述轨迹提取器遵循以下规则：
1)、对端点检测器检测到的每个端点计算其方向向量
2)、对每个端点探测其邻域端点，若该端点pn存在邻域端点pi，通过端点方向向量计算其夹角θi；
3)、动脉树分叉夹角θ不超过45度，若端点及其邻域端点方向向量夹角不超过45度，且无共同父节点，则认为此处为动脉断裂位置；
4)、使用线性插值来进行骨架线重建任务，补齐断裂位置的中心线骨架节点，并赋值记录其节点属性，更新相邻节点信息。
进一步的，所述步骤S3具体为：利用气管和肺叶进行约束，根据动脉中心线结构，计算分支肺叶位置、尺度、方向、长度信息，与支气管伴行匹配，追溯各节段子树根节点，识别动脉主干区域，逐一标注18个动脉节段子树，将肺动脉拓扑树T划分成18个动脉节段子树S＝{sk,k＝1,···,18}。
进一步的，所述步骤S4具体为：根据结节位置及切缘范围，通过计算邻近距离的方式确定靶向动脉分支，若靶向动脉分支未完全充斥该关联肺段全部区域，则对该靶向动脉分支向上追溯到节段子树根节点，断开包含结节及其切缘的子树分叉，确认靶向亚段动脉，甚至是亚亚段。
进一步的，所述步骤S5具体为：通过计算每个肺叶区域内标记的肺动脉节段子树的欧式距离，对肺叶上的每个体素点，检测它最邻近肺动脉节段子树，并将该点归属到该节段子树相应的肺段；同样的，根据距离关系，计算靶向动脉分支在关联肺段中所支配区域，确定靶肺段。
本发明与现有技术相比具有以下有益效果：
1、通过设计中心线提取算法提取拓扑树，保证了动脉树血管的连续性和完整性。
2、本发明通过结合临床医学背景，联合气管、肺叶、肺结节实现动脉的分级标注，精准确定靶向动脉分支，进而划分肺段和确认靶肺段。
附图说明
图1是本发明方法流程图；
图2是本发明一实施例中动脉拓扑树获取示意图；
图3是本发明一实施例中构造完整动脉拓扑树局部示意图；
图4是本发明一实施例中结合临床医学先验知识进行肺动脉树分级标注示意图；
图5是本发明一实施例中确认靶向段动脉方法示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于肺动脉树分级的CT图像靶肺段识别方法，包括以下步骤：
步骤S1:获取CT图像数据，并重建出肺结构，包括肺结节、支气管、肺动脉树和肺叶；
步骤S2:对肺动脉树提取初始中心线，并通过端点检测器和轨迹提取器构造完整且连续的拓扑树；
在本实施例中，步骤S2具体如下：
步骤S21:通过将三维动脉树进行距离变换得到距离图，通过快速步进法从潜在末端点迭代跟踪到根节点以便获取分支轨迹。即获取初始中心线骨架P，同时记录每个骨架节点pi的信息属性，包括它的三维空间坐标信息(xi,yi,zi)、尺度信息scalei和父子节点信息。
步骤S22:沿着血管树从根节点出发，开始进行深度优先遍历,如图3中(a)所示。端点检测器遵循以下规则：
1)、认为动脉中心线应该存在动脉树内部，移除错误骨架节点，并更新其父子节点信息；
2)、从根节点出发，若骨架节点pi有且仅有一个子节点和一个父节点，则该节点为分支点；若骨架节点pi有多个子节点和一个父节点，则该节点为分叉点；若骨架节点有父节点无子节点或无父节点有子节点，则该节点为端点。
步骤S23:通过检测端点位置，进而判断该端点是断裂节点还是分支末端点。若为断点，则通过轨迹提取器弥补断裂位置。
采用轨迹提取器遵循以下规则：
1)、对端点检测器检测到的每个端点计算其方向向量
2)、对每个端点探测其邻域端点，若该端点pn存在邻域端点pi，通过端点方向向量计算其夹角θi，如图3中(b)所示。其中探测邻域为该端点的10像素内。
3)、认为动脉树分叉夹角θ不超过45度。若端点及其邻域端点方向向量夹角不超过45度，且无共同父节点。则认为此处为动脉断裂位置。
4)、使用线性插值来进行我们的骨架线重建任务，补齐断裂位置的中心线骨架节点，并赋值记录其节点属性，更新相邻节点信息。
本实施例中，从血管树中提取动脉中心线，并记录每个骨架节点属性信息。但由于动脉骨架节点数目较大，对每个节点进行深度优先遍历效率低下。为此我们构造动脉分支拓扑树，从根节点出发，当遇到分叉节点进行划分分支B＝{bk,k＝1,…,n}。并记录该分支属性，包括分支尺度、长度、方向、父子信息。本专利从根节点出发，通过深度优先遍历，构造完整的动脉拓扑分支树，以便后续进行动脉分级标注。
步骤S3:根据拓扑树，结合肺叶、支气管先验知识进行约束，确定18个动脉节段子树；
优选的，在本实施例中，采用结合临床医学先验知识进行肺动脉树分级标注，如图4所示。从解剖学定义上，肺由5个肺叶，18个肺段，42个亚肺段构成。在肺叶基础上，左肺含8个肺段，上叶4段，下叶4段；右肺含10个肺段，上叶3段，中叶2段，下叶5段。其中肺段又是由肺支气管树的各个节段分支及其分支分布的肺组织构成的。然而，由于在实际临床应用中支气管分割效果不足，而亚段动脉紧密伴行于支气管，比支气管有着更丰富的树状结构。首先利用气管和肺叶进行约束，根据动脉中心线结构，计算分支肺叶位置、尺度、方向、长度等信息，与支气管伴行匹配，追溯各节段子树根节点，识别动脉主干区域，逐一标注18个动脉节段子树，将肺动脉拓扑树T划分成18个动脉节段子树S＝{sk,k＝1,···,18}。
步骤S4:根据结节位置及切缘范围，通过计算邻近距离的方式确定靶向动脉分支，若靶向动脉分支未完全充斥该关联肺段全部区域，则对该靶向动脉分支向上追溯到节段子树根节点，断开包含结节及其切缘的子树分叉，确认靶向亚段动脉，甚至是亚亚段。具体如图5所示，其中结节切缘范围为结节外缘外扩20mm。
步骤S5:对肺叶上的每个体素点计算最邻近动脉节段子树，并归属到相应的肺段；同样的，根据距离关系，计算靶向动脉分支在关联肺段中所支配区域，确定靶肺段。
在本实施例中，优选的，步骤S5，具体为：通过计算每个肺叶区域内标记的肺动脉节段子树的欧式距离，对肺叶上的每个体素点，检测它最邻近肺动脉节段子树，并将该点归属到该节段子树相应的肺段。同样的，根据距离关系，计算靶向动脉分支在关联肺段中所支配区域，确定靶肺段。该靶肺段可以是单一肺段、肺亚段，也可以是联合肺段、联合亚肺段等。本发明通过肺动脉分级引导不仅可以划分18个肺段，同时也能更好地实现对亚肺段级别的靶肺段确认。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,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、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (4)
1.一种基于肺动脉树分级的CT图像靶肺段识别方法，其特征在于，包括以下步骤：
步骤S1:获取CT图像数据，并重建出肺结构，包括肺结节、支气管、肺动脉树和肺叶；
步骤S2:对肺动脉树提取初始中心线，并通过端点检测器和轨迹提取器构造完整且连续的拓扑树；
步骤S3:根据拓扑树，结合肺叶、支气管先验知识进行约束，确定18个动脉节段子树；
步骤S4:确定靶向动脉分支；
步骤S5:对肺叶上的每个体素点计算最邻近动脉节段子树，并归属到相应的肺段；同样的，根据距离关系，计算靶向动脉分支在关联肺段中所支配区域，确定靶肺段；
所述步骤S2具体为：
步骤S21:通过将肺动脉树进行距离变换得到距离图，通过快速步进法从潜在末端点迭代跟踪到根节点以便获取分支轨迹，即获取初始中心线骨架P，同时记录每个骨架节点pi的信息属性，包括它的三维空间坐标信息(xi,yi,zi)、尺度信息scalei和父子节点信息；
步骤S22:沿着血管树从根节点出发，开始进行深度优先遍历；
步骤S23:通过检测端点位置，进而判断该端点是断裂节点还是分支末端点；若为断点，则通过轨迹提取器弥补断裂位置；
所述检测端点位置具体为：
(1)设动脉中心线存在动脉树内部，移除错误骨架节点，并更新其父子节点信息；
(2)从根节点出发，若骨架节点pi有且仅有一个子节点和一个父节点，则该节点为分支点；若骨架节点pi有多个子节点和一个父节点，则该节点为分叉点；若骨架节点有父节点无子节点或无父节点有子节点，则该节点为端点；
所述轨迹提取器遵循以下规则：
1)、对端点检测器检测到的每个端点计算其方向向量
2)、对每个端点探测其邻域端点，若该端点pn存在邻域端点pi，通过端点方向向量计算其夹角θi；
3)、动脉树分叉夹角θ不超过45度，若端点及其邻域端点方向向量夹角不超过45度，且无共同父节点，则认为此处为动脉断裂位置；
4)、使用线性插值来进行骨架线重建任务，补齐断裂位置的中心线骨架节点，并赋值记录其节点属性，更新相邻节点信息；
所述步骤S3具体为：利用气管和肺叶进行约束，根据动脉中心线结构，计算分支肺叶位置、尺度、方向、长度信息，与支气管伴行匹配，追溯各节段子树根节点，识别动脉主干区域，逐一标注18个动脉节段子树，将肺动脉拓扑树T划分成18个动脉节段子树S＝{sk,k＝1,···,18}。
2.根据权利要求1所述的基于肺动脉树分级的CT图像靶肺段识别方法，其特征在于，所述步骤S4具体为：根据结节位置及切缘范围，通过计算邻近距离的方式确定靶向动脉分支，若靶向动脉分支未完全充斥该关联肺段全部区域，则对该靶向动脉分支向上追溯到节段子树根节点，断开包含结节及其切缘的子树分叉，确认靶向亚段动脉，具体是亚亚段。
3.根据权利要求1所述的基于肺动脉树分级的CT图像靶肺段识别方法，其特征在于，所述步骤S5具体为：通过计算每个肺叶区域内标记的肺动脉节段子树的欧式距离，对肺叶上的每个体素点，检测它最邻近肺动脉节段子树，并将该点归属到该节段子树相应的肺段；同样的，根据距离关系，计算靶向动脉分支在关联肺段中所支配区域，确定靶肺段。
4.一种基于肺动脉树分级的CT图像靶肺段识别系统，其特征在于，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如权利要求1-3任一项所述的靶肺段识别方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111636037.XA CN114332013B (zh) | 2021-12-29 | 2021-12-29 | 基于肺动脉树分级的ct图像靶肺段识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111636037.XA CN114332013B (zh) | 2021-12-29 | 2021-12-29 | 基于肺动脉树分级的ct图像靶肺段识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114332013A CN114332013A (zh) | 2022-04-12 |
| CN114332013B true CN114332013B (zh) | 2024-07-26 |
Family
ID=81015998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111636037.XA Active CN114332013B (zh) | 2021-12-29 | 2021-12-29 | 基于肺动脉树分级的ct图像靶肺段识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114332013B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114972859B (zh) * | 2022-05-19 | 2024-10-29 | 推想医疗科技股份有限公司 | 像元的分类方法、模型训练方法、装置、设备和介质 |
| CN114927202B (zh) * | 2022-06-13 | 2023-03-24 | 上海市胸科医院 | 肺部形变模拟方法、装置及服务器 |
| CN115861231A (zh) * | 2022-12-02 | 2023-03-28 | 珠海赛纳数字医疗技术有限公司 | 肺部识别处理方法、装置及服务器 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5565886B2 (ja) * | 2012-08-17 | 2014-08-06 | Ｎｅｃシステムテクノロジー株式会社 | 入力装置、入力方法、及びプログラム |
| US11348250B2 (en) * | 2019-11-11 | 2022-05-31 | Ceevra, Inc. | Image analysis system for identifying lung features |
| CN111861988A (zh) * | 2020-06-09 | 2020-10-30 | 深圳市旭东数字医学影像技术有限公司 | 基于支气管的自动及半自动肺分叶分段的方法及其系统 |
| CN113129317B (zh) * | 2021-04-23 | 2022-04-08 | 广东省人民医院 | 一种基于流域分析技术的肺叶自动分段方法 |
-
2021
- 2021-12-29 CN CN202111636037.XA patent/CN114332013B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| "基于肺动脉分级引导的肺段划分方法";郑耀湧;《信息技术与信息化》;20220630;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114332013A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114332013B (zh) | 基于肺动脉树分级的ct图像靶肺段识别方法 | |
| CN111798451B (zh) | 基于血管3d/2d匹配的3d导丝跟踪方法及装置 | |
| CN112884826B (zh) | 血管中心线的提取方法及装置 | |
| US9471989B2 (en) | Vascular anatomy modeling derived from 3-dimensional medical image processing | |
| KR102050649B1 (ko) | 2차원 x-선 조영영상의 혈관 구조 추출 방법, 이를 수행하기 위한 기록매체 및 장치 | |
| JP5748636B2 (ja) | 画像処理装置および方法並びにプログラム | |
| Zheng et al. | Multi-part modeling and segmentation of left atrium in C-arm CT for image-guided ablation of atrial fibrillation | |
| JP5559642B2 (ja) | 手術支援装置、手術支援方法および手術支援プログラム | |
| JP2011206186A (ja) | 医用画像診断支援装置および方法、並びにプログラム | |
| CN111161241A (zh) | 一种肝脏图像识别方法、电子设备及存储介质 | |
| CN102693540A (zh) | 一种肝脏分段的方法及其系统 | |
| US8050470B2 (en) | Branch extension method for airway segmentation | |
| US20210142470A1 (en) | System and method for identification of pulmonary arteries and veins depicted on chest ct scans | |
| CN114037663A (zh) | 一种血管分割方法、装置及计算机可读介质 | |
| CN115908297A (zh) | 基于拓扑知识的医学影像中血管分割建模方法 | |
| US12051156B2 (en) | System and method for linking a segmentation graph to volumetric data | |
| CN111145226B (zh) | 基于ct影像的三维肺部特征提取方法 | |
| CN114155193A (zh) | 一种基于特征强化的血管分割方法及装置 | |
| CN113222051A (zh) | 基于小肠病灶特征的图像标注方法 | |
| CN116310114A (zh) | 一种多任务标签模型的冠脉点云数据处理优化方法 | |
| KR102229367B1 (ko) | 뇌혈관 비교 판독 영상 디스플레이 장치 및 방법 | |
| Pan et al. | Automatic annotation of liver computed tomography images based on a vessel‐skeletonization method | |
| CN117083631A (zh) | 用于自动血管提取的系统和方法 | |
| CN105913422B (zh) | 基于气管分割的气管树提取方法 | |
| KR102350998B1 (ko) | 혈관 특징 정보 기반 다중 모달리티 비강체 정합 방법, 이를 수행하기 위한 기록 매체 및 장치 |
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 |