CN114880961B - 基于流体动力学的血管分割和命名方法 - Google Patents
基于流体动力学的血管分割和命名方法 Download PDFInfo
- Publication number
- CN114880961B CN114880961B CN202111185340.2A CN202111185340A CN114880961B CN 114880961 B CN114880961 B CN 114880961B CN 202111185340 A CN202111185340 A CN 202111185340A CN 114880961 B CN114880961 B CN 114880961B
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- bifurcation
- image
- current
- acquiring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000011218 segmentation Effects 0.000 title claims abstract description 28
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 130
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 26
- 230000003902 lesion Effects 0.000 claims abstract description 23
- 230000002792 vascular Effects 0.000 claims abstract description 19
- 208000005189 Embolism Diseases 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 239000012530 fluid Substances 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 9
- 230000001575 pathological effect Effects 0.000 abstract description 4
- 238000002697 interventional radiology Methods 0.000 abstract description 2
- 210000000056 organ Anatomy 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 239000008280 blood Substances 0.000 description 5
- 210000003462 vein Anatomy 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000010102 embolization Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 239000011859 microparticle Substances 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Abstract
本发明涉及介入放射学栓塞技术领域，公开了一种基于流体动力学的血管分割和命名方法，获取当前医学影像学图像并输入构建的血管识别模型中进行识别判断，得到病变血管分支；基于所述病变血管分支对当前所述医学影像学图像进行预处理，得到待分割的血管图像；获取所述血管图像中的分叉端点，沿血管中心线的法线方向切开当前所述分叉端点；当当前所述血管图像中的所有分叉端点分割完成后，基于所述血管图像对分割结果进行命名，计算不同的分支、不同的出口的流量，便于后期计算栓塞效率。
Description
技术领域
本发明涉及介入放射学栓塞技术领域，尤其涉及一种基于流体动力学的血管分割和命名方法。
背景技术
放射性栓塞术是将放射性疗法和一种被称为“栓塞术”的医疗手段相结合的产物，目前主要用于治疗癌症。简言之，就是让含有放射性物质的微小粒子注入血管，通过血液流动，最终堵塞流向癌细胞的血液。
目前常规的计算流体动力学计算中，没有人就中间分叉处再建立截面来考虑各分支流量占分叉处流量的比例，所以无仿真计算后处理的需求，也就没有血管分割的需求导致无法计算栓塞效率。
发明内容
本发明的目的在于提供一种基于流体动力学的血管分割和命名方法，为了分割、命名后可以得到各个分支和出口的流量，这样才能根据各个分支和出口的流量计算栓塞效率。
为实现上述目的，本发明提供了一种基于流体动力学的血管分割和命名方法，包括以下步骤：
获取当前医学影像学图像并输入构建的血管识别模型中进行识别判断，得到病变血管分支；
基于所述病变血管分支对当前所述医学影像学图像进行预处理，得到待分割的血管图像；
获取所述血管图像中的分叉端点，沿血管中心线的法线方向切开当前所述分叉端点；
当当前所述血管图像中的所有分叉端点分割完成后，基于所述血管图像对分割结果进行命名，计算不同的分支、不同的出口的流量。
其中，所述方法还包括：
基于大数据技术获取多个连续多帧采集的血管影像，对每一个所述血管影像进行处理和神经网络训练，构建所述血管识别模型。
其中，基于所述病变血管分支对当前所述医学影像学图像进行预处理，得到待分割的血管图像，包括：
根据所述病变血管分支，对当前获取的所述医学影像学图像中没有病变的血管进行覆盖，得到待分割的血管图像，其中，所述预处理还包括除覆盖外的涂覆、隐藏中的任一种处理方法。
其中，获取所述血管图像中的分叉端点，沿血管中心线的法线方向切开当前所述分叉端点，包括：
根据所述血管图像中的血管走向，获取每一个分叉端点；
根据所述分叉端点，沿着所述分叉端点前的血管中心线的法线方向切开当前所述分叉端点。
其中，当当前所述血管图像中的所有的所述分叉端点分割完成后，基于所述血管图像对分割结果进行命名，计算不同的分支、不同的出口的流量，包括：
当当前所述血管图像中的所有的所述分叉端点分割完成后，基于所述血管图像，按照数据层级关系，对得到的横截面进行命名；
基于流体动力学获取栓塞部位各个横截面流量，并基于不同的分支、不同的出口的流量计算出不同栓塞位置注射时的栓塞效率。
本发明的一种基于流体动力学的血管分割和命名方法，获取当前医学影像学图像并输入构建的血管识别模型中进行识别判断，得到病变血管分支；基于所述病变血管分支对当前所述医学影像学图像进行预处理，得到待分割的血管图像；获取所述血管图像中的分叉端点，沿血管中心线的法线方向切开当前所述分叉端点；当当前所述血管图像中的所有的所述分叉端点分割完成后，基于所述血管图像对分割结果进行命名，分割、命名是为了可以得到各个分支和出口的流量，这样才能根据各个分支和出口的流量计算栓塞效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出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是本发明提供的一种基于流体动力学的血管分割和命名方法的步骤示意图。
图2是本发明提供的一种基于流体动力学的血管分割和命名方法的流程示意图。
图3是本发明提供的一种基于流体动力学的血管分割及命名系统的结构示意图。
1-识别模型构建模块、2-识别判断模块、3-血管图像构建模块、4-分叉端点获取模块、5-血管截面命名模块。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
请参阅图1和图2，本发明提供一种基于流体动力学的血管分割和命名方法，包括以下步骤：
S101、基于大数据技术获取多个连续多帧采集的血管影像，对每一个所述血管影像进行处理和神经网络训练，构建所述血管识别模型。
具体为：首先，在进行识别判断之前，需要构建血管识别模型，包括以下步骤：
S1011、基于大数据技术获取多个连续多帧采集的血管影像，并对所述血管影像进行预处理。
具体为：基于大数据技术获取含病变的连续多帧采集的血管影像，采集帧数应该包含在一个心脏跳动周期内，才能保证采集的数据的准确，当通过医学成像系统采集到血管影像后，需要对其进行预处理，其中，预处理包括灰度转换、边缘识别、边缘优化等处理。
预处理为：对器官图像序列进行数据裁剪，采用双线性插值对裁剪后的数据插值，然后利用各向异性滤波去噪；并转换为灰度图，同时，将对应的灰度值进行对应赋值.
(2)对器官图像进行血管增强处理，分割出血管，然后提取中心线；其具体实现步骤为：
(2.1)器官血管增强；
(a1)调整器官图像的窗宽、窗位，并对灰度值进行归一化，获得归一化后的器官图像；
(a2)统计并分析归一化后的器官图像直方图，确定感兴趣灰度范围，即血管的灰度范围；
(a3)在感兴趣灰度范围内，对器官图像进行基于Hessian矩阵的多尺度滤波，得到增强的图像。
S1012、对预处理后的所述血管影像进行特征值提取，并将所述特征值输入神经网络中进行训练，构建所述血管识别模型。
具体为，由于血管壁在超声图像是表现为典型的“双线条”，即两条平行的强回声，被低回声区和无回声区所分隔，因此，选择“双线条”为研究对象，提取出其包含的纹理特征值，包括：阶统计特征、分形维数纹理分析、灰度共生矩阵、灰度差分统计、局部灰度差分矩阵及统计特征矩阵；其中，1、所述一阶统计特征又称为灰度直方图，它反映一幅图像灰度分布的总体统计特性，其主要包括血管壁区域的灰度均值和标准差。2、分形维数作为图像表面不规则程度的度量，它与人类视觉对图像表面纹理粗糙程度的感知是一致的，即分形维数越大，对应的图像表面越粗糙；反之，分形维数越小对应的图像表面越光滑。3、灰度共生矩阵特征是描述纹理特征最常见的方法之一，其主要目的是统计图像内像素和灰度在空间的分布情况。4、灰度差分统计法的基本原理是描述纹理图像各象素及其相邻象素之间的灰度变化情况。
采用Minitab统计软件对所述纹理特征值进行统计分析，得出有显著差异的纹理特征参数群，并创建所述纹理特征参数群，用于血管壁病变的早期识别诊断。所述血管壁图像纹理特征的量化和提取方法包括采用分类器对健康体和病变体的血管图像进行分类。即从所述纹理特征参数群中，根据临床知识和经验选取最佳的特征参数，并采用分类器，如KNN(k-NearestNeighbor)分类器对健康体和病变体的血管(如颈总)超声图像进行分类。由此，利用所述血管壁图像纹理特征的量化和提取方法进行血管壁病变检测时，可以将分类结果用于指导血管病变的判别，为心血管疾病的早期诊断和治疗提供的依据。
当分类完成后，利用分类后的数据数据神经网络中进行训练学习，得到所述血管识别模型，在后期的识别过程中，可以直接利用所述血管识别模型对获取的影像图像进行识别划分，减少计算过程以及计算量。
S102、获取当前医学影像学图像并输入构建的血管识别模型中进行识别判断，得到病变血管分支。
具体的，利用医学成像设备获取当前医学影像学图像，并将其输入构建的血管识别模型中进行识别判断，得到病变血管分支，其中，所述病变血管分支包括有肿瘤或者病变部分，简单来说就是我们关心的血流分布的分叉，使后期计算过程仅针对病变及关联部分进行计算，减少计算量，保证计算精度。
S103、基于所述病变血管分支对当前所述医学影像学图像进行预处理，得到待分割的血管图像。
具体的，根据所述病变血管分支，对当前获取的所述医学影像学图像中没有病变的血管进行覆盖，得到待分割的血管图像，其中，所述预处理还包括除覆盖外的涂覆、隐藏中的任一种处理方法。
S104、获取所述血管图像中的分叉端点，沿血管中心线的法线方向切开当前所述分叉端点。
具体的，根据所述血管图像中的血管走向，获取每一个分叉端点，其具体流程为：利用扫描设备获取所述血管图像中的每一个血管的中心线以及对应的流速；基于所述扫描设备的采样频率，获取相邻两帧频率之间的流速是否相同，直至所述血管图像扫描完成；若相同，则当前血管无分叉端点；若不相同，则表明当前两帧频率之间存在分叉端点，由于存在分叉端点将主血管的流速进行分流，导致速率不同，能够准确的判断两者之间是否存在分叉端点。
根据所述分叉端点，沿着所述分叉端点前的血管中心线的法线方向切开当前所述分叉端点，即在分叉前沿血管中心线的法线方向切开血管模型，做一个横截面，用这个横截面分开血管，在分叉前的血管构建一个横截面，能够将分叉后的血管截面都展示出来，便于后续的计算分析，也便于命名标记。
S105、当当前所述血管图像中的所有分叉端点分割完成后，基于所述血管图像对分割结果进行命名，计算不同的分支、不同的出口的流量。
具体的，当当前所述血管图像中的所有的所述分叉端点分割完成后，基于所述血管图像，按照数据层级关系，对得到的横截面进行命名；主要是对血液主要流动横截面进行命名，例如命名为1，那么经过这个横截面之后的分叉，就命名为11、12，每个分叉再分叉，就命名为111、112和121、122，逐级向下分割和命名。本申请是使用垂直于血管中心线的横截面分割开血管，然后是对这些横截面进行命名。下一级根节点会在上一级根节点上增加一位数，直至所有节点命名完成，基于命名规则，可以直观的显示出当前节点的走向。自动分割、自动命名的目的是为了后续进行流体动力学计算后便于抓取不同区域、截面的流场参数，从而进行数据分析。
基于流体动力学获取栓塞部位各个横截面流量，并基于栓塞部位各个血管出口流量计算出不同栓塞位置注射时的栓塞效率。
请参阅图3，本发明提供一种基于流体动力学的血管分割及命名系统，包括依次连接的识别模型构建模块1、识别判断模块2、血管图像构建模块3、分叉端点获取模块4和血管截面命名模块5；
所述识别模型构建模块1，用于基于大数据技术获取多个连续多帧采集的血管影像，对每一个所述血管影像进行处理和神经网络训练，构建血管识别模型；
所述识别判断模块2，用于获取当前医学影像学图像并输入构建的血管识别模型中进行识别判断，得到病变血管分支；
所述血管图像构建模块3，基于所述病变血管分支对当前所述医学影像学图像进行预处理，得到待分割的血管图像；
所述分叉端点获取模块4，获取所述血管图像中的分叉端点，沿血管中心线的法线方向切开当前所述分叉端点；
所述血管截面命名模块5，当当前所述血管图像中的所有的所述分叉端点分割完成后，基于所述血管图像对分割结果进行命名，便于计算不同的分支、不同的出口的流量从而得到栓塞效率。
在本实施方式中，关于一种基于流体动力学的血管分割及命名系统的具体限定可以参见上文中对于一种基于流体动力学的血管分割和命名方法的限定，在此不再赘述。上述一种基于流体动力学的血管分割及命名系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (3)
1.一种基于流体动力学的血管分割和命名方法，其特征在于，包括以下步骤：
基于大数据技术获取多个连续多帧采集的血管影像，对每一个所述血管影像进行处理和神经网络训练，构建血管识别模型，其中，在进行识别判断之前，需要构建血管识别模型，包括：基于大数据技术获取多个连续多帧采集的血管影像，并对所述血管影像进行预处理，预处理包括灰度转换、边缘识别、边缘优化处理，预处理后的所述血管影像进行特征值提取，并将所述特征值输入神经网络中进行训练，构建所述血管识别模型，提取出其包含的纹理特征值包括：阶统计特征、分形维数纹理分析、灰度共生矩阵、灰度差分统计、局部灰度差分矩阵及统计特征矩阵；
获取当前医学影像学图像并输入构建的血管识别模型中进行识别判断，得到病变血管分支；
基于所述病变血管分支对当前所述医学影像学图像进行预处理，得到待分割的血管图像；
获取所述血管图像中的分叉端点，沿血管中心线的法线方向切开当前所述分叉端点；
当当前所述血管图像中的所有分叉端点分割完成后，基于所述血管图像对分割结果进行命名，计算不同的分支、不同的出口的流量；
获取所述血管图像中的分叉端点，沿血管中心线的法线方向切开当前所述分叉端点，包括：
利用扫描设备获取所述血管图像中的每一个血管的中心线以及对应的流速；基于所述扫描设备的采样频率，获取相邻两帧频率之间的流速是否相同，直至所述血管图像扫描完成；若相同，则当前血管无分叉端点；若不相同，则表明当前两帧频率之间存在分叉端点；
根据所述分叉端点，沿着所述分叉端点前的血管中心线的法线方向切开当前所述分叉端点；
当当前所述血管图像中的所有分叉端点分割完成后，基于所述血管图像对分割结果进行命名，计算不同的分支、不同的出口的流量，包括：
当当前所述血管图像中的所有分叉端点分割完成后，基于所述血管图像，按照数据层级关系，对得到的横截面进行命名；
基于流体动力学获取栓塞部位不同血管分支、不同出口流量，计算出不同栓塞位置注射时的栓塞效率；
根据所述分叉端点，沿着所述分叉端点前的血管中心线的法线方向切开当前所述分叉端点，包括：
在分叉前沿血管中心线的法线方向切开血管模型，做一个横截面，用这个横截面分开血管，在分叉前的血管构建一个横截面，能够将分叉后的血管截面都展示出来。
2.如权利要求1所述的基于流体动力学的血管分割和命名方法，其特征在于，所述方法还包括：
基于医学设备获取多个连续多帧采集的血管影像，对每一个所述血管影像进行预处理，构建血管识别模型。
3.如权利要求1所述的基于流体动力学的血管分割和命名方法，其特征在于，基于所述病变血管分支对当前所述医学影像学图像进行预处理，得到待分割的血管图像，包括：
根据所述病变血管分支，对当前获取的所述医学影像学图像中没有病变的血管进行覆盖，得到待分割的血管图像，其中，所述预处理还包括除覆盖外的涂覆、隐藏中的任一种处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111185340.2A CN114880961B (zh) | 2021-10-12 | 2021-10-12 | 基于流体动力学的血管分割和命名方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111185340.2A CN114880961B (zh) | 2021-10-12 | 2021-10-12 | 基于流体动力学的血管分割和命名方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114880961A CN114880961A (zh) | 2022-08-09 |
| CN114880961B true CN114880961B (zh) | 2024-03-12 |
Family
ID=82666844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111185340.2A Active CN114880961B (zh) | 2021-10-12 | 2021-10-12 | 基于流体动力学的血管分割和命名方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114880961B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101541247A (zh) * | 2006-11-30 | 2009-09-23 | 皇家飞利浦电子股份有限公司 | 用于动脉瘤评估中的具有超声换能器和可变焦透镜的导管 |
| CN103054563A (zh) * | 2013-01-06 | 2013-04-24 | 深圳先进技术研究院 | 血管壁病变检测方法 |
| CN105530986A (zh) * | 2013-05-08 | 2016-04-27 | 埃姆博尔克斯公司 | 用于经血管肿瘤栓塞的具有综合流量调节的设备及方法 |
| WO2017047135A1 (ja) * | 2015-09-18 | 2017-03-23 | イービーエム株式会社 | 血流解析装置、その方法、及びそのコンピュータソフトウェアプログラム |
| CN108764286A (zh) * | 2018-04-24 | 2018-11-06 | 电子科技大学 | 一种基于迁移学习的血管图像中特征点的分类识别方法 |
| CN109907772A (zh) * | 2019-04-15 | 2019-06-21 | 博动医学影像科技（上海）有限公司 | 获取冠脉血流量及血流速度的方法和装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011014562A1 (en) * | 2009-07-28 | 2011-02-03 | North Carolina State University | Methods and devices for targeted injection of microspheres |
| JP6651402B2 (ja) * | 2016-04-12 | 2020-02-19 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、医用画像診断装置およびプログラム |
| US10610302B2 (en) * | 2016-09-20 | 2020-04-07 | Siemens Healthcare Gmbh | Liver disease assessment in medical imaging |
-
2021
- 2021-10-12 CN CN202111185340.2A patent/CN114880961B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101541247A (zh) * | 2006-11-30 | 2009-09-23 | 皇家飞利浦电子股份有限公司 | 用于动脉瘤评估中的具有超声换能器和可变焦透镜的导管 |
| CN103054563A (zh) * | 2013-01-06 | 2013-04-24 | 深圳先进技术研究院 | 血管壁病变检测方法 |
| CN105530986A (zh) * | 2013-05-08 | 2016-04-27 | 埃姆博尔克斯公司 | 用于经血管肿瘤栓塞的具有综合流量调节的设备及方法 |
| WO2017047135A1 (ja) * | 2015-09-18 | 2017-03-23 | イービーエム株式会社 | 血流解析装置、その方法、及びそのコンピュータソフトウェアプログラム |
| CN108764286A (zh) * | 2018-04-24 | 2018-11-06 | 电子科技大学 | 一种基于迁移学习的血管图像中特征点的分类识别方法 |
| CN109907772A (zh) * | 2019-04-15 | 2019-06-21 | 博动医学影像科技（上海）有限公司 | 获取冠脉血流量及血流速度的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114880961A (zh) | 2022-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Loizou | A review of ultrasound common carotid artery image and video segmentation techniques | |
| EP2658439B1 (en) | Automatic left ventricular function evaluation | |
| JP6329697B2 (ja) | 体組織の自動的なセグメンテーションおよび定量化のための方法 | |
| CN110448319B (zh) | 基于造影影像及冠状动脉的血流速度计算方法 | |
| US20080159604A1 (en) | Method and system for imaging to identify vascularization | |
| CN107292835B (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
| CN113781439B (zh) | 超声视频病灶分割方法及装置 | |
| US10405834B2 (en) | Surface modeling of a segmented echogenic structure for detection and measurement of anatomical anomalies | |
| CN102048550A (zh) | 一种自动生成肝脏3d图像并准确定位肝脏血管支配区域的方法 | |
| CN111297399B (zh) | 一种基于超声视频的胎心定位和胎心率提取方法 | |
| CN111415321B (zh) | 动脉瘤破裂风险检测装置及设备 | |
| CN103249358A (zh) | 医用图像处理装置 | |
| Hiremath et al. | Follicle detection in ultrasound images of ovaries using active contours method | |
| CN112837306B (zh) | 基于深度学习和中智理论的冠状动脉病变功能学定量方法 | |
| WO2016159379A1 (ja) | 血管形状構築装置、その方法及びコンピュータソフトウエアプログラム | |
| CN104546000B (zh) | 一种基于形状特征的超声图像膀胱容积测量方法及装置 | |
| US11600379B2 (en) | Systems and methods for generating classifying and quantitative analysis reports of aneurysms from medical image data | |
| CN114880961B (zh) | 基于流体动力学的血管分割和命名方法 | |
| CN108734771A (zh) | 基于三维医学影像的血管提取系统及分析方法 | |
| CN114521914A (zh) | 超声参数测量方法和超声参数测量系统 | |
| CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 | |
| CN113409275B (zh) | 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置 | |
| KR20120017356A (ko) | 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체 | |
| Miao et al. | CoWRadar: Visual Quantification of the Circle of Willis in Stroke Patients. | |
| CN114880960A (zh) | 基于流体动力学的放射栓塞剂量及注射位置评估方法 |
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 |