CN114332022A - 基于图像处理的血管直径自适应、像素级、可视化的定量表征方法 - Google Patents
基于图像处理的血管直径自适应、像素级、可视化的定量表征方法 Download PDFInfo
- Publication number
- CN114332022A CN114332022A CN202111647520.8A CN202111647520A CN114332022A CN 114332022 A CN114332022 A CN 114332022A CN 202111647520 A CN202111647520 A CN 202111647520A CN 114332022 A CN114332022 A CN 114332022A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- value
- pixel
- image
- pixel point
- 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
- 238000012512 characterization method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 title claims abstract description 11
- 210000004204 blood vessel Anatomy 0.000 title claims description 96
- 238000012800 visualization Methods 0.000 title abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000011160 research Methods 0.000 claims abstract description 8
- 230000009286 beneficial effect Effects 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 238000009499 grossing Methods 0.000 claims abstract description 5
- VHYFNPMBLIVWCW-UHFFFAOYSA-N 4-Dimethylaminopyridine Chemical compound CN(C)C1=CC=NC=C1 VHYFNPMBLIVWCW-UHFFFAOYSA-N 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 239000000835 fiber Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000004641 brain development Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004660 morphological change Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004872 arterial blood pressure Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000004089 microcirculation Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000008467 tissue growth Effects 0.000 description 1
- 230000024883 vasodilation Effects 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于图像处理的血管直径自适应、像素级、可视化的定量表征方法，该方法无需任何参数，将对血管图像进行二值化图像处理，通过距离变换、自适应距离传递和自适应平滑运算，实现对血管进行精准的像素级表征；能够解决现有血管直径表征方法中参数设置繁多、不能可视化研究、需要骨架化对原有血管形态造成破坏、不能实现像素级表征的问题，可以在保留血管原有形态的情况下，直接对其进行自适应地运算，并通过伪彩色编码来实现像素级的直径表征，有助于对提取特定尺寸的血管进行研究，也有助于研究血管的直径动态变化。
Description
技术领域
本发明属于纤维直径测量表征与统计技术领域，具体涉及一种基于图像处理的血管直径自适应、像素级、可视化的定量表征方法。
背景技术
血管是血液向全身输送氧气和营养物质的通道，也是人体用于排泄新陈代谢产物的重要渠道。当血管发生病变时，往往会给患者造成巨大痛苦，甚至威胁生命；特别是心脑血管类疾病，对人类健康构成了严重威胁，占全球死亡总数的30％以上。基于采集的血管图像以高精度和高度定量化的方式获取形态变化，对于在各种疾病的背景下建立血管系统的结构和功能之间的关系具有重要意义，血管在组织生长或病变时最重要的改变之一是直径的变化，因此对血管直径的表征一直是人们研究的热点。
血管直径不仅是重要的形态特征，还反映着血压和血流的信息，对血管微循环的评估具有重要的意义，其相关表征方法已被广泛应用于各个领域：有报道根据血管直径的变化来作为药物对血管舒张效果的评判标准，血管直径也被用于研究小鼠胎儿大脑发育情况，作为大脑发育程度的特征参数；在癌症诊断方面，对肿瘤组织血管直径等信息的分析是判断肿瘤阶段的重要参考；在脑科手术领域，对脑血管直径的精确描绘有助于规划治疗方案，评估医疗设备的潜在风险；在血管动力学领域，主动脉血管的锥形结构(血管直径不断变化)常被用来研究其与动脉血压和动脉僵硬程度的关系。
目前已有不同的方法来表征血管的直径，同时也面临着各种各样的挑战；在早期研究中，血管的直径依赖于手动测量，这种方法效率低，难以确保准确性。文献[X.Zhao,W.Duan,T.Lin,et al.,Amethod of retinal vessel width measurement,in:The 2ndInternational Conference on Computer and Automation Engineering(ICCAE).IEEE,3,2010,pp.443–446]提出了基于血管截面灰度信息通过高斯分布模型确定血管直径的方法，该方法需要根据血管边界点确定灰度分布，常用于二维血管图像的直径表征，但在三维图像中血管是柱状结构，很难通过血管边界点来确定血管的直径；此外，该方法的仅能给出离散的数值表征结果，不利于可视化的研究。文献[M.J.Sun,C.Li,N.B.Chen,et al.Fullthree-dimensional segmentation and quantification of tumor vessels forphotoacoustic images[J].Photoacoustics,2020,20]提出了一种三维血管直径测量方法，该方法首先对血管进行骨架化处理，在以骨架点为中心，在其附近构造小圆环，不断增加圆环的直径，直至圆环上有足够多的点与血管边界重合，此时圆环直径即为血管直径；但该方法较为复杂，并且仅能给出统计学结果，无法给出可视化信息，会导致局部信息的丢失，更无法对锥形血管进行精准表征。
因此，在现有的血管直径表征方法中，有些方法仅能实现二维血管图像的直径表征，一些表征方法可以得到数值结果，但很难用于可视化研究。同时，血管骨架化会破坏原始的形态学信息，不利于血管的动态监测，这种破坏性的表现也会阻碍临床诊断。此外，目前尚未见针对锥形血管直径表征的报道，尚无精准描绘锥形血管直径变化信息的方法；因此，需要一种能够映射像素级直径信息的直接、自动量化方法，在保留血管原有形态结构的基础上对表征结果进行可视化展示，实现沿血管路径的精准表征，以便在动态监测中更好地了解血管系统的变化。
发明内容
鉴于上述，本发明提供了一种基于图像处理的血管直径自适应、像素级、可视化的定量表征方法，能够解决现有血管直径表征方法中参数设置繁多、不能可视化研究、需要骨架化对原有血管形态造成破坏、不能实现像素级表征的问题，可以在保留血管原有形态的情况下，直接对其进行自适应地运算，并通过伪彩色编码来实现像素级的直径表征。
一种基于图像处理的血管直径自适应、像素级、可视化的定量表征方法，包括如下步骤：
(1)提取血管灰度图像并对图像进行二值化取反操作，进而计算得到图像的距离变换图谱DT；
(2)对所述距离变换图谱DT进行自适应距离传递操作得到图谱DTT；
(3)对所述图谱DTT进行自适应平滑操作，即可得到反映血管直径信息的图谱DMap；
(4)对所述图谱DMap进行伪彩色编码，便可实现在保有血管形态的情况下对血管图像进行可视化像素级直径表征。
进一步地，所述步骤(1)中计算图像的距离变换图谱DT，具体地：对于图像中的任一血管像素点，计算该像素点到背景点的最短距离即为该像素点在距离变换图谱DT中的DT值，背景点在距离变换图谱DT中的DT值均为0。
进一步地，所述步骤(2)的具体实现方式为：首先取距离变换图谱DT中的最大DT值，对其取整后作为armd，初始化一个尺寸为2armd+1的正方形窗口；对于距离变换图谱DT中任一血管像素点，以该像素点作为窗口的中心，对窗口内除中心点以外所有血管像素点的DT值从大到小进行排序，进而从序列中为窗口中心像素点寻找最佳的DT值即为该像素点在图谱DTT中的DTT值，背景点在图谱DTT中的DTT值均为0。
进一步地，从序列中为窗口中心像素点寻找最佳的DT值，具体实现方式为：从序列中依次选取一个DT值进行判断，判断条件为：当前DT值对应的像素点到窗口中心像素点的距离小于该DT值；若不满足则剔除并判断下一个DT值，直至找到第一个满足上述条件的DT值，即为窗口中心像素点寻找到最佳的DT值并作为该像素点在图谱DTT中的DTT值。
进一步地，所述步骤(3)的具体实现方式如下：
3.1对于图谱DTT中任一血管像素点，以该像素点为中心建立一个尺寸为2ArmdT(x,y)+1的正方形窗口，其中ArmdT(x,y)为该像素点在图谱ArmdT中的值，图谱ArmdT为图谱DTT取整操作后的结果；
3.2对窗口内除中心点以外所有血管像素点的DTT值求平均；
3.3将平均值乘以2后即作为该像素点在图谱DMap中的值，该值即为像素点处血管的直径值。
进一步地，所述步骤(4)的具体实现方式为：首先使用Matlab中的ind2rgb函数将图谱DMap由灰度图转换为彩色图像，进而选用Jet的Colormap将彩色的图谱DMap转换为新的伪彩色编码图像DRGB。
为了展现不同像素点处的信号强弱，优选地，将原始的血管灰度图像与伪彩色编码图像DRGB中每个颜色通道对应像素值相乘，便可得到既包含直径信息(颜色)又包含信号强度信息(明暗)的可视化图像DiameterMap。
基于上述技术方案，本发明与现有技术相比具有如下优势：
1.本发明无需进行骨架化等复杂的计算步骤，并且实现了自适应测量，在计算过程中无需提前设置任何参数，解决了现有的方法在计算直径时复杂的骨架化计算和大量的参数设定。
2.本发明实现了像素级的血管直径表征，最大限度地保留了原始血管的形态特征，既可以对计算结果进行整体的统计学分析，又保留了局部细节，解决了现有的方法对原图像的破坏以及丢失局部信息的问题。
3.本发明对血管直径的表征本质上是对血管的“微分化”表征，即当单根血管直径发生变化时，表征结果的数值以及对应的颜色都会随之变化，可以用来表征锥形血管；传统方法往往假定每根血管的直径值是一样的，每根血管赋值相同，因此本发明解决了现有方法对血管直径表征时的精准度问题。
附图说明
图1为本发明基于图像处理的血管直径自适应、像素级、可视化定量表征方法的流程示意图。
图2(a)为本发明通过仿真在不同纤维直径下的测试结果示意图。
图2(b)为本发明通过仿真在不同纤维密度下的测试结果示意图。
图2(c)为本发明通过仿真在不同纤维有序度下的测试结果示意图。
图2(d)为本发明通过仿真在不同纤维锥角下的测试结果示意图。
图3(a)为本发明对实际三维血管进行重构的结果示意图。
图3(b)为本发明对实际三维血管成像深度的示意图。
图3(c)为本发明对实际三维血管直径进行表征的结果示意图。
图3(d)为本发明对实际三维血管直径分布直方图的分析结果示意图。
图3(e)为本发明对实际三维血管直径随深度变化的分析结果示意图。
图3(f)为本发明对实际三维血管直径变异系数随深度变化的分析结果示意图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示，本发明基于图像处理的血管直径自适应、像素级、可视化定量表征方法，包括以下步骤：
(1)对于血管的图像进行二值化处理，获得二值图像BW。
(2)对二值图像进行取反操作，获得新的二值图像BW2。
(3)通过对二值图形BW2进行距离变换，获得血管中每个像素点到背景的最短距离及距离变换图像DT。
(4)将距离变换图像DT中的最大距离值作为计算的初始窗口尺寸armd1。
(5)对血管上每个像素点进行自适应距离传递，并由此确定对应像素点合适的窗口尺寸。以二维图像为例，设血管上某像素点(血管二值化图像BW值为1的点)为(x,y)，其中(x,y)为像素点的位置坐标，具体过程为：
5.1提取以(x，y)为中心点，2×armd1+1为边长的正方形范围内DT图像邻域信息DTN；
5.2对距离变换图像DTN内值不为0的值进行提取，并从大到小进行降序排序，得到序列DTSQ；
5.3选择邻域内最大的距离变换值DTSQ(1)，并提取该像素点对应坐标(dtx,dty)；
5.4计算DTSQ(m)对应位置距离邻域内中心点的L2范数dm：
dm＝norm(dtx,dty,1+DTSQ(m),1+DTSQ(m))
5.5从m＝1开始遍历，对dm与DTSQ(m)的值进行比较大小，直到搜索到满足条件的DTSQ(m)，最佳DTSQ(m)满足的条件是：
DTSQ(m)＝{d<DTSQ(m)|DTSQ(m)>max(DT–DTSQ(1)–…DTSQ(m-1))}
直到找到首个合适的DTSQ(m)，使得dm<DTN(m)，则像素点(x，y)距离传递后的数值为DTSQ(m)，对应的自适应窗口尺寸为2×round(DTSQ(m))+1，其中round为取整操作。
5.6经过自适应距离传递之后，获得了距离传递后的DT图像DTT，以及血管中每个像素点的自适应窗口图谱ArmdT。
(6)对于距离传递后的DTT矩阵，进行自适应平滑操作，来模拟血管的平滑变化，以二维图像为例，设血管上某像素点(血管二值化图像BW值为1的点)为(x,y)，其中(x,y)为像素点的位置坐标，具体过程如下：
6.1提取以提取以(x，y)为中心点，2×ArmdT(x，y)+1为边长的正方形范围内DTT图像邻域信息；
6.2对于邻域内不为0的所有DTT值进行平均；
6.3将平均后的值乘以2赋给(x，y)像素点，作为其对应的直径值；
6.4经过自适应平滑操作后，即可获得血管直径的图谱Dmap。
(7)对计算好直径图谱DMap进行伪彩色编码，其中每个像素的亮度对应原始血管图像的信号强度，每个像素的颜色对应直径值的大小，具体过程如下：
7.1将DMap图像由灰度图转换为彩色图像，可使用Matlab中的ind2rgb函数，选用jet的Colormap，得到新的伪彩色编码图像DRGB；
7.2将原始血管图像(灰度图)与DRGB中每个颜色通道对应像素进行相乘，从而得到最终的DiameterMap。
以下我们通过模拟三维纤维结构可对该算法进行测试。首先，不同纤维直径下的计算直径结果如图2(a)所示，测试了直径为6～15像素的仿真三维血管，计算的直径与定义的直径具有良好的线性关系，证明计算结果与定义的直径具有良好的一致性。然后，研究不同血管密度对计算结果的影响，我们模拟了直径全为6像素的血管，但密度在0.1到0.27之间变化；从分析结果可以看出，计算精度不受密度的影响，如图2(b)所示。进而，我们考虑了血管有序度的影响，利用我们先前提出的方向方差度量进行仿真，方向方差范围为0.628至0.675，如图2(c)所示，可见通过本发明方法计算获得直径测量结果，具有良好的一致性。最后，评估了血管的典型病例中逐渐变细的纤维结构，我们固定了血管末端直径为6像素(Dout＝6像素)和长度为100像素(L＝100像素)，并通过增加入口端直径(Din)改变了血管的锥角(θ)；我们测试了四个锥角(θ＝1.71°、2.86°、4.00°、5.14°)，并计算了沿血管传播方向中心轴的不同位置的误差，分析结果表明，当角度不超过5.14°时，本发明算法的误差小于5％；根据公布的数据，锥形血管的倾斜度大多在2°以内，因此本发明算法足够精确，能够满足实际应用的要求。
我们使用聚集诱导发光(AIE)粒子对小鼠血管图像进行三维成像，如图3(a)和图3(b)所示，该图像横向分辨率为1μm，轴向分辨率为5μm，深度为875μm。基于提取的3D血管结构，我们计算并伪彩色像素化血管直径，如图3(c)所示，并且从这张彩色编码图上可以直接看出不均匀的直径分布，实现对血管形态的可视化研究。
本发明算法除了可以进行精细化描述，还可以进行统计学分析；通过统计学分析，能让我们更加精确地理解生物组织中血管的形态结构特征，可以看出小鼠脑血管直径大部分尺寸在10μm左右，如图3(d)所示；还可以得到直径随深度的关系，如图3(e)和图3(f)所示。由于本发明直径表征的精细化程度很高，我们可以进行多维度的直径分析，这是传统的表征方法很难做到的。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明，熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (8)
1.一种基于图像处理的血管直径自适应、像素级、可视化的定量表征方法，包括如下步骤：
(1)提取血管灰度图像并对图像进行二值化取反操作，进而计算得到图像的距离变换图谱DT；
(2)对所述距离变换图谱DT进行自适应距离传递操作得到图谱DTT；
(3)对所述图谱DTT进行自适应平滑操作，即可得到反映血管直径信息的图谱DMap；
(4)对所述图谱DMap进行伪彩色编码，便可实现在保有血管形态的情况下对血管图像进行可视化像素级直径表征。
2.根据权利要求1所述的定量表征方法，其特征在于：所述步骤(1)中计算图像的距离变换图谱DT，具体地：对于图像中的任一血管像素点，计算该像素点到背景点的最短距离即为该像素点在距离变换图谱DT中的DT值，背景点在距离变换图谱DT中的DT值均为0。
3.根据权利要求1所述的定量表征方法，其特征在于：所述步骤(2)的具体实现方式为：首先取距离变换图谱DT中的最大DT值，对其取整后作为armd，初始化一个尺寸为2armd+1的正方形窗口；对于距离变换图谱DT中任一血管像素点，以该像素点作为窗口的中心，对窗口内除中心点以外所有血管像素点的DT值从大到小进行排序，进而从序列中为窗口中心像素点寻找最佳的DT值即为该像素点在图谱DTT中的DTT值，背景点在图谱DTT中的DTT值均为0。
4.根据权利要求3所述的定量表征方法，其特征在于：从序列中为窗口中心像素点寻找最佳的DT值，具体实现方式为：从序列中依次选取一个DT值进行判断，判断条件为：当前DT值对应的像素点到窗口中心像素点的距离小于该DT值；若不满足则剔除并判断下一个DT值，直至找到第一个满足上述条件的DT值，即为窗口中心像素点寻找到最佳的DT值并作为该像素点在图谱DTT中的DTT值。
5.根据权利要求1所述的定量表征方法，其特征在于：所述步骤(3)的具体实现方式如下：
3.1对于图谱DTT中任一血管像素点，以该像素点为中心建立一个尺寸为2ArmdT(x,y)+1的正方形窗口，其中ArmdT(x,y)为该像素点在图谱ArmdT中的值，图谱ArmdT为图谱DTT取整操作后的结果；
3.2对窗口内除中心点以外所有血管像素点的DTT值求平均；
3.3将平均值乘以2后即作为该像素点在图谱DMap中的值，该值即为像素点处血管的直径值。
6.根据权利要求1所述的定量表征方法，其特征在于：所述步骤(4)的具体实现方式为：首先使用Matlab中的ind2rgb函数将图谱DMap由灰度图转换为彩色图像，进而选用Jet的Colormap将彩色的图谱DMap转换为新的伪彩色编码图像DRGB。
7.根据权利要求6所述的定量表征方法，其特征在于：将原始的血管灰度图像与伪彩色编码图像DRGB中每个颜色通道对应像素值相乘，便可得到既包含直径信息又包含信号强度信息的可视化图像DiameterMap。
8.根据权利要求1所述的定量表征方法，其特征在于：该方法无需任何参数，将对血管图像进行二值化图像处理，通过距离变换、自适应距离传递和自适应平滑运算，实现对血管进行精准的像素级表征，能够解决现有血管直径表征方法中参数设置繁多、不能可视化研究、需要骨架化对原有血管形态造成破坏、不能实现像素级表征的问题，可以在保留血管原有形态的情况下，直接对其进行自适应地运算，并通过伪彩色编码来实现像素级的直径表征，有助于对提取特定尺寸的血管进行研究，也有助于研究血管的直径动态变化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111647520.8A CN114332022A (zh) | 2021-12-30 | 2021-12-30 | 基于图像处理的血管直径自适应、像素级、可视化的定量表征方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111647520.8A CN114332022A (zh) | 2021-12-30 | 2021-12-30 | 基于图像处理的血管直径自适应、像素级、可视化的定量表征方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114332022A true CN114332022A (zh) | 2022-04-12 |
Family
ID=81017491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111647520.8A Pending CN114332022A (zh) | 2021-12-30 | 2021-12-30 | 基于图像处理的血管直径自适应、像素级、可视化的定量表征方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114332022A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10282841B1 (en) * | 2011-01-03 | 2019-05-07 | The United States Of America As Represented By The Administrator Of The Nasa | Bioinformatic analysis of vascular patterning |
| CN109872321A (zh) * | 2019-02-26 | 2019-06-11 | 数坤（北京）网络科技有限公司 | 一种血管狭窄检测方法及设备 |
| CN113838153A (zh) * | 2020-06-23 | 2021-12-24 | 北京大学 | 一种基于血管造影图像的血管管径分析系统 |
-
2021
- 2021-12-30 CN CN202111647520.8A patent/CN114332022A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10282841B1 (en) * | 2011-01-03 | 2019-05-07 | The United States Of America As Represented By The Administrator Of The Nasa | Bioinformatic analysis of vascular patterning |
| CN109872321A (zh) * | 2019-02-26 | 2019-06-11 | 数坤（北京）网络科技有限公司 | 一种血管狭窄检测方法及设备 |
| CN113838153A (zh) * | 2020-06-23 | 2021-12-24 | 北京大学 | 一种基于血管造影图像的血管管径分析系统 |
Non-Patent Citations (2)
| Title |
|---|
| JIA MENG等: "Mapping physiological and pathological functions of cortical vasculature through aggregation-induced emission nanoprobes assisted quantitative, in vivo NIR-II imaging", 《BIOMATERIALS ADVANCES》, 1 May 2022 (2022-05-01) * |
| 周密;谷圣美;赵俊;: "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, no. 02, 15 April 2013 (2013-04-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7356367B2 (en) | Computer aided treatment planning and visualization with image registration and fusion | |
| CN102800089B (zh) | 基于颈部超声图像的主颈动脉血管提取和厚度测量方法 | |
| CN104398272B (zh) | 选择检测区域的方法及装置及弹性检测系统 | |
| Sudharani et al. | Advanced morphological technique for automatic brain tumor detection and evaluation of statistical parameters | |
| US8077944B2 (en) | Method, device, and computer programme for evaluating images of a cavity | |
| CN110448335B (zh) | 一种基于超声图像的胎儿头围全自动测量方法和装置 | |
| CN106999157A (zh) | 用于通过计算和显示超声测量和图形模型进行胎儿显像的方法与系统 | |
| CN110335235B (zh) | 心脏医学图像的处理装置、处理系统和介质 | |
| Rueda et al. | Feature-based fuzzy connectedness segmentation of ultrasound images with an object completion step | |
| CN110335236B (zh) | 心脏医学图像的处理方法、处理装置、处理系统和介质 | |
| Captur et al. | Fractal frontiers in cardiovascular magnetic resonance: towards clinical implementation | |
| EP2511878A1 (en) | Providing three-dimensional ultrasound image based on three-dimensional color reference table in ultrasound system | |
| CN111354006A (zh) | 超声图像中目标组织的描迹方法及装置 | |
| Williams et al. | Automatic extraction of hiatal dimensions in 3-D transperineal pelvic ultrasound recordings | |
| Gallo et al. | Cardiovascular morphometry with high-resolution 3D magnetic resonance: first application to left ventricle diastolic dysfunction | |
| CN112508872A (zh) | 颅内血管图像预处理方法和电子设备 | |
| CN114332022A (zh) | 基于图像处理的血管直径自适应、像素级、可视化的定量表征方法 | |
| CN110974302B (zh) | 一种超声图像中胎儿头部容积的自动检测方法和系统 | |
| CN112508880A (zh) | 颅内血管图像配准方法、电子设备和计算机可读存储介质 | |
| CN100486518C (zh) | 提高光学相干层析术成像质量的方法 | |
| WO2023133929A1 (zh) | 一种基于超声的人体组织对称性检测分析方法 | |
| Feng et al. | Feasibility of a deep learning-based method for automated localization of pelvic floor landmarks using stress MR images | |
| Sarvazyan | Knowledge-based mechanical imaging | |
| CN112508882A (zh) | 一种脑血管图像预处理方法 | |
| Xia et al. | An Approach of Automatically Selecting Seed Point Based on Region Growing for Liver Segmentation |
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 |