CN115100230A - 基于血管图像的动静脉分离方法、装置、存储介质及终端 - Google Patents
基于血管图像的动静脉分离方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN115100230A CN115100230A CN202211019731.1A CN202211019731A CN115100230A CN 115100230 A CN115100230 A CN 115100230A CN 202211019731 A CN202211019731 A CN 202211019731A CN 115100230 A CN115100230 A CN 115100230A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- artery
- vessel image
- phase
- preset
- 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 259
- 210000001367 artery Anatomy 0.000 title claims abstract description 148
- 210000003462 vein Anatomy 0.000 title claims abstract description 85
- 238000000926 separation method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 78
- 238000012544 monitoring process Methods 0.000 claims abstract description 72
- 238000003384 imaging method Methods 0.000 claims abstract description 62
- 238000002347 injection Methods 0.000 claims description 54
- 239000007924 injection Substances 0.000 claims description 54
- 239000002872 contrast media Substances 0.000 claims description 36
- 230000011218 segmentation Effects 0.000 claims description 31
- 230000009885 systemic effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001839 systemic circulation Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000002583 angiography Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000009827 uniform distribution Methods 0.000 description 4
- 230000002792 vascular Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010968 computed tomography angiography Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229940126062 Compound A Drugs 0.000 description 1
- NLDMNSXOCDLTTB-UHFFFAOYSA-N Heterophylliin A Natural products O1C2COC(=O)C3=CC(O)=C(O)C(O)=C3C3=C(O)C(O)=C(O)C=C3C(=O)OC2C(OC(=O)C=2C=C(O)C(O)=C(O)C=2)C(O)C1OC(=O)C1=CC(O)=C(O)C(O)=C1 NLDMNSXOCDLTTB-UHFFFAOYSA-N 0.000 description 1
- 210000002376 aorta thoracic Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920001282 polysaccharide Polymers 0.000 description 1
- 239000005017 polysaccharide Substances 0.000 description 1
- -1 polysaccharide superparamagnetic iron oxide Chemical class 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 210000001631 vena cava inferior Anatomy 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
- G06T7/10—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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于血管图像的动静脉分离方法、装置、存储介质及终端，方法包括：在动脉期成像过程中根据预设动脉期监控标记点生成动脉期血管图像；在平衡期成像过程中根据预设平衡期监控标记点生成平衡期血管图像；根据平衡期血管图像与动脉期血管图像计算静脉期血管图像；在动脉期血管图像中分割出人体组织模板和动脉血管模板，并在静脉期血管图像中分割出人体组织模板和静脉血管模板。由于本申请根据预设动脉期监控标记点和预设平衡期监控标记点进行扫描时机确定以扫描出血管图像，使得扫描时机根据不同体型的扫描群体可以个性化设置，同时设定动脉期和平衡期，从而可以快速高效的区分出全身血管的动脉和静脉，提升了动静脉分离效率。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种基于血管图像的动静脉分离方法、装置、存储介质及终端。
背景技术
临床上，通常采用计算机断层扫描血管造影技术(Computed TomographyAngiography, CTA)、和磁共振血管造影技术(Magnetic Resonance Angiography)实现人体血管成像。血管造影技术是通过向人体内注射一定量的造影剂，在造影剂充盈整个人体血管后，利用CT和MR设备对整个人体进行扫描，从而实现对血管组织的突出显示，便于观察血管的形态和分布情况，有利于医生更好地进行诊断检查和手术治疗。由于全身血管成像范围大，扫描时间较单一部位血管时间长，但动静脉造影剂循环时间窗窄，于是在完成全身血管扫描的同时，静脉会不可避免的在图像上显影。通常在完成全身血管造影技术后，需将动脉和静脉进行分离，并分别对其形态、结构和走形等特征进行分析。
在现有技术中，现有动静脉分离技术主要是通过人工标记与机器学习结合实现动静脉分离技术。首先利用机器学习方法提取血管灰度值与其他区域的差异及形态学特征，基于两者特征的差异，从CTA和MRA图像中提取出全部血管组织（同时包含动脉和静脉），然后利用人工标记出感兴趣血管的动静脉分离点，最后将分离点两侧的联通区进行分离，从而实现动脉和静脉的分离。现有技术中的缺点为：1.对单一部位、血管复杂度低的图像进行动静脉分离的效率尚可接受，但对于如全身血管成像的血管复杂度高的图像分离效率低下，难以达到临床需求；2.由于动脉和静脉血管特征极为相似，通过机器学习方式提取两者特征差异难度较大。
发明内容
本申请实施例提供了一种基于血管图像的动静脉分离方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种基于血管图像的动静脉分离方法，方法包括：
在动脉期成像过程中根据预设动脉期监控标记点生成动脉期血管图像；
在平衡期成像过程中根据预设平衡期监控标记点生成平衡期血管图像；
根据平衡期血管图像与动脉期血管图像计算静脉期血管图像；
在动脉期血管图像中分割出人体组织模板和动脉血管模板，并在静脉期血管图像中分割出人体组织模板和静脉血管模板；
其中，动脉期是造影剂在体循环动脉均匀分布，平衡期是指造影剂在全身动脉和静脉均匀分布。
可选的，在动脉期成像过程中根据预设动脉期监控标记点生成动脉期血管图像，包括：
控制注射器以动脉期成像过程中的第一注射速度注射造影剂，并实时监测第一注射量；
当第一注射量到达预设注射总量的预设第一百分比时，控制注射器停止注射，并监控预设动脉期监控标记点的第一图像信号强度；
当第一图像信号强度变化幅度大于预设第一强度阈值时，控制成像设备进行图像扫描，生成动脉期血管图像。
可选的，在平衡期成像过程中根据预设平衡期监控标记点生成平衡期血管图像，包括：
控制注射器以平衡期成像过程中的第二注射速度注射造影剂，并实时监测第二注射量；
当第二注射量到达预设注射总量的预设第二百分比时，控制注射器停止注射并监控预设平衡期监控标记点的第二图像信号强度；
当第二图像信号强度变化幅度大于预设第二强度阈值时，控制成像设备进行图像扫描，生成平衡期血管图像；其中，
预设注射总量的预设第二百分比与预设注射总量的预设第一百分比之和为预设注射总量百分比。
可选的，根据平衡期血管图像与动脉期血管图像计算静脉期血管图像，包括：
将平衡期血管图像与动脉期血管图像做差，得到静脉期血管图像。
可选的，在动脉期血管图像中分割出人体组织模板和动脉血管模板，并在静脉期血管图像中分割出人体组织模板和静脉血管模板，包括：
计算动脉期血管图像中人体组织与血管的第一分割阈值；
利用第一分割阈值分别获取动脉期血管图像中的人体组织模板和动脉血管模板；
计算静脉期血管图像中人体组织与血管的第二分割阈值；
利用第二分割阈值分别获取静脉期血管图像中的人体组织模板和静脉血管模板。
可选的，计算动脉期血管图像中人体组织与血管的第一分割阈值，包括：
计算所述动脉期血管图像的灰度统计直方图；
根据所述灰度统计直方图计算出目标灰度值；
将所述目标灰度值确定为人体组织与血管的第一分割阈值。
可选的，根据灰度统计直方图计算出目标灰度值，包括：
获取灰度统计直方图中第预设百分位数所对应的目标灰度值；
或者，
将所述灰度统计直方图输入预先训练的灰度可塑性模型中计算出所述动脉期血管图像中各像素位置的目标脉冲发出率；
根据预设时间步长以及所述目标脉冲发出率计算所述动脉期血管图像中各像素的空间像素值；
计算动脉期血管图像中各像素位置连续两个脉冲发放时刻的差值；
根据所述空间像素值与所述连续两个脉冲发放时刻的差值进行加权求和取平均值，得到目标灰度值。
第二方面，本申请实施例提供了一种基于血管图像的动静脉分离装置，装置包括：
动脉期血管图像生成模块，用于在动脉期成像过程中根据预设动脉期监控标记点生成动脉期血管图像；
平衡期血管图像生成模块，用于在平衡期成像过程中根据预设平衡期监控标记点生成平衡期血管图像；
静脉期血管图像生成模块，用于根据平衡期血管图像与动脉期血管图像计算静脉期血管图像；
动静脉血管分离模块，用于在动脉期血管图像中分割出人体组织模板和动脉血管模板，并在静脉期血管图像中分割出人体组织模板和静脉血管模板；
其中，动脉期是造影剂在体循环动脉均匀分布，平衡期是指造影剂在全身动脉和静脉均匀分布。
第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，基于血管图像的动静脉分离装置首先在动脉期成像过程中根据预设动脉期监控标记点生成动脉期血管图像，然后在平衡期成像过程中根据预设平衡期监控标记点生成平衡期血管图像，其次根据平衡期血管图像与动脉期血管图像计算静脉期血管图像，最后在动脉期血管图像中分割出人体组织模板和动脉血管模板，并在静脉期血管图像中分割出人体组织模板和静脉血管模板。由于本申请根据预设动脉期监控标记点和预设平衡期监控标记点进行扫描时机确定以扫描出血管图像，使得扫描时机根据不同体型的扫描群体可以个性化设置，同时设定动脉期和平衡期，从而可以快速高效的区分出全身血管的动脉和静脉，提升了动静脉分离效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种基于血管图像的动静脉分离方法的流程示意图；
图2是本申请实施例提供的一种图像灰度统计直方图；
图3是本申请实施例提供的一种动脉期、静脉期、平衡期增强磁共振血管成像示意图；
图4是本申请提供的一种基于血管图像的动静脉分离过程的过程示意框图；
图5是本申请提供的一种基于血管图像的动静脉分离装置的结构示意图；
图6是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供了一种基于血管图像的动静脉分离方法、装置、存储介质及终端，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于本申请根据预设动脉期监控标记点和预设平衡期监控标记点进行扫描时机确定以扫描出血管图像，使得扫描时机根据不同体型的扫描群体可以个性化设置，同时设定动脉期和平衡期，从而可以快速高效的区分出全身血管的动脉和静脉，提升了动静脉分离效率，下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图4，对本申请实施例提供的基于血管图像的动静脉分离方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的基于血管图像的动静脉分离装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。
请参见图1，为本申请实施例提供了一种基于血管图像的动静脉分离方法的流程示意图。如图1所示，本申请实施例的方法可以包括以下步骤：
S101，在动脉期成像过程中根据预设动脉期监控标记点生成动脉期血管图像；
其中，动脉期是造影剂在体循环动脉均匀分布，平衡期是指造影剂在全身动脉和静脉均匀分布。
在本申请实施例中，在动脉期成像过程中根据预设动脉期监控标记点生成动脉期血管图像时，首先控制注射器以动脉期成像过程中的第一注射速度注射造影剂，并实时监测第一注射量，然后当第一注射量到达预设注射总量的预设第一百分比时，控制注射器停止注射，并监控预设动脉期监控标记点的第一图像信号强度，最后当第一图像信号强度变化幅度大于预设第一强度阈值时，控制成像设备进行图像扫描，生成动脉期血管图像。
需要说明的是，根据造影剂特性及相关使用规定，提前设定好造影剂的浓度
和预设注射总量
，以及在动脉期成像过程中的第一注射速度
和在平衡期成像过程中的第二注射速度
，并在成像设备中分别设定动脉期监控标记点
和平衡期监控标记点
。
在一种可能的实现方式中，控制注射器以注射速度
注射浓度为
的造影剂，注射量到达
的百分比
时停止，监控标记点
图像信号强度的变化，当标记点
的信号强度
变化幅度超过阈值
时，控制成像设备开始扫描，得到动脉期血管图像
。
具体的，选取化合物A为造影剂，其中A的最佳化合物为多聚糖超顺磁性氧化铁，但不限于该化合物。设定造影剂浓度为
，预设注射总量为
，动脉期成像过程中的第一注射速度
，平衡期成像过程中的第二注射速度
，其中
的最佳值为5 mg/mL，
最佳值为35 mL，
的最佳值为1.5 mL/s，
的最佳值为0.1 mL/s。采用但不限于压力注射器将造影剂注入静脉。
S102，在平衡期成像过程中根据预设平衡期监控标记点生成平衡期血管图像；
在本申请实施例中，在平衡期成像过程中根据预设平衡期监控标记点生成平衡期血管图像时，首先控制注射器以平衡期成像过程中的第二注射速度注射造影剂，并实时监测第二注射量，然后当第二注射量到达预设注射总量的预设第二百分比时，控制注射器停止注射并监控预设平衡期监控标记点的第二图像信号强度，最后当第二图像信号强度变化幅度大于预设第二强度阈值时，控制成像设备进行图像扫描，生成平衡期血管图像。
其中，预设注射总量的预设第二百分比与预设注射总量的预设第一百分比之和为预设注射总量百分比。
具体的，在根据步骤S101进行动脉期扫描完成后，以注射速度
注射浓度为
的造影剂，注射量到达
的百分比为
时停止，监控标记点
图像信号强度的变化，当标记点
的信号强度
变化幅度超过阈值
时，控制成像设备开始扫描，得到平衡期血管图像
。
在一种可能的实现方式中，成像设备D用于扫描目标体进而生成图像，其中D的最佳成像设备为MR，但不限于此设备。首先，在设备D中设定动脉期监控标记点
和平衡期监控标记点
，其中
的最佳位置为主动脉弓，
的最佳位置为下腔静脉，但均不限于最佳位置；然后以注射速度
注射浓度为
的造影剂，注射量到达
的第
个百分数时停止，其中
的最佳值为30，但不限于该值；当标记点
的信号强度
超过阈值
时成像设备开始扫描，其中阈值
的最佳值为10，但不限于此，扫描完成后获得动脉期血管图像
；然后以注射速度
注射浓度为
的造影剂，注射量到达
的第
个百分数时停止，监控标记点
图像信号强度的变化，当标记点
的信号强度
变化幅度超过阈值
时成像设备开始扫描，其中阈值
的最佳值为10，但不限于此, 扫描完成后获得平衡期血管图像
。
S103，根据平衡期血管图像与动脉期血管图像计算静脉期血管图像；
在本申请实施例中，在根据平衡期血管图像与动脉期血管图像计算静脉期血管图像时，将平衡期血管图像与动脉期血管图像做差，得到静脉期血管图像；其中，静脉期血管图像的计算公式为：
其中，
是平衡期血管图像，
是动脉期血管图像，
是静脉期血管图像。
S104，在动脉期血管图像中分割出人体组织模板和动脉血管模板，并在静脉期血管图像中分割出人体组织模板和静脉血管模板；
在本申请实施例中，在动脉期血管图像中分割出人体组织模板和动脉血管模板时，首先计算动脉期血管图像中人体组织与血管的第一分割阈值，然后利用第一分割阈值分别获取动脉期血管图像中的人体组织模板和动脉血管模板。
在本申请实施例中，在静脉期血管图像中分割出人体组织模板和静脉血管模板时，首先计算静脉期血管图像中人体组织与血管的第二分割阈值，然后利用第二分割阈值分别获取静脉期血管图像中的人体组织模板和静脉血管模板。
例如，计算动脉期血管图像
中人体组织与血管的分割阈值
，利用分割阈值
分别获得动脉期血管图像
中的人体组织模板和血管模板
；计算静脉期血管图像
中人体组织与血管的分割阈值
，利用分割阈值
分别获得静脉期血管图像
中的人体组织模板和血管模板
。
进一步地，计算所述动脉期血管图像中人体组织与血管的第一分割阈值时，首先计算所述动脉期血管图像的灰度统计直方图，然后根据所述灰度统计直方图计算出目标灰度值，最后将所述目标灰度值确定为人体组织与血管的第一分割阈值。
进一步地，计算所述静脉期血管图像中人体组织与血管的第二分割阈值时，首先计算所述静脉期血管图像的灰度统计直方图，然后根据所述灰度统计直方图计算出目标灰度值，最后将所述目标灰度值确定为人体组织与血管的第二分割阈值。
具体的，在根据灰度统计直方图计算出目标灰度值时，可获取灰度统计直方图中第预设百分位数所对应的目标灰度值。例如图2所示，计算动脉期血管图像或静脉期血管图像的灰度统计直方图
，以图像灰度统计直方图
的第
百分位数所对应的灰度值，作为血管与人体组织的灰度阈值
，其中
最佳值为2，但不限于该值。以血管与人体组织的灰度阈值
为阈值，分离人体组织与血管。像素分类公式如下：
进一步地，在根据灰度统计直方图计算出目标灰度值时，首先将所述灰度统计直方图输入预先训练的灰度可塑性模型中计算出所述动脉期血管图像中各像素位置的目标脉冲发出率，然后根据预设时间步长以及所述目标脉冲发出率计算所述动脉期血管图像中各像素的空间像素值，其次计算动脉期血管图像中各像素位置连续两个脉冲发放时刻的差值，最后根据所述空间像素值与所述连续两个脉冲发放时刻的差值进行加权求和取平均值，得到目标灰度值。
具体的，计算动脉期血管图像
灰度统计直方图
，以灰度统计直方图
的第
百分位数所对应的灰度值，作为血管与人体组织的灰度阈值
，其中
最佳值为2，但不限于该值。以动脉血管与人体组织的灰度阈值
为阈值，分离动脉期血管图像
中的人体组织与动脉血管模板
；然后，计算静脉期血管图像
灰度统计直方图
，以灰度统计直方图
的第
百分位数所对应的灰度值，作为血管与人体组织的灰度阈值
。以静脉血管与人体组织的灰度阈值
为阈值，分离静脉期血管图像
中的人体组织与静脉血管模板
，分离后的静脉血管和动脉血管例如图3所示。
例如图4所示，图4是本申请提供的一种基于血管图像的动静脉分离过程的过程示意框图，首先静脉团注造影剂，然后采集动脉期血管图像及平衡期血管图像，即通过分别监控动脉和静脉标记点造影剂信号的变化，分别采集动脉期和平衡期血管图像，然后将动脉期血管图像及平衡期血管图像做差值得到静脉期血管图像，最后可分别对单独的动脉期血管图像与静脉期血管图像进行人体组织和血管的像素分割，得到静脉血管图像和动脉血管图像，分离的例如图3所示。
在本申请实施例中，基于血管图像的动静脉分离装置首先在动脉期成像过程中根据预设动脉期监控标记点生成动脉期血管图像，然后在平衡期成像过程中根据预设平衡期监控标记点生成平衡期血管图像，其次根据平衡期血管图像与动脉期血管图像计算静脉期血管图像，最后在动脉期血管图像中分割出人体组织模板和动脉血管模板，并在静脉期血管图像中分割出人体组织模板和静脉血管模板。由于本申请根据预设动脉期监控标记点和预设平衡期监控标记点进行扫描时机确定以扫描出血管图像，使得扫描时机根据不同体型的扫描群体可以个性化设置，同时设定动脉期和平衡期，从而可以快速高效的区分出全身血管的动脉和静脉，提升了动静脉分离效率。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参见图5，其示出了本发明一个示例性实施例提供的基于血管图像的动静脉分离装置的结构示意图。该基于血管图像的动静脉分离装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该基于血管图像的动静脉分离装置1包括动脉期血管图像生成模块10、平衡期血管图像生成模块20、静脉期血管图像生成模块30、动静脉血管分离模块40。
动脉期血管图像生成模块10，用于在动脉期成像过程中根据预设动脉期监控标记点生成动脉期血管图像；
平衡期血管图像生成模块20，用于在平衡期成像过程中根据预设平衡期监控标记点生成平衡期血管图像；
静脉期血管图像生成模块30，用于根据平衡期血管图像与动脉期血管图像计算静脉期血管图像；
动静脉血管分离模块40，用于在动脉期血管图像中分割出人体组织模板和动脉血管模板，并在静脉期血管图像中分割出人体组织模板和静脉血管模板；
其中，动脉期是造影剂在体循环动脉均匀分布，平衡期是指造影剂在全身动脉和静脉均匀分布。
需要说明的是，上述实施例提供的基于血管图像的动静脉分离装置在执行基于血管图像的动静脉分离方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于血管图像的动静脉分离装置与基于血管图像的动静脉分离方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，基于血管图像的动静脉分离装置首先在动脉期成像过程中根据预设动脉期监控标记点生成动脉期血管图像，然后在平衡期成像过程中根据预设平衡期监控标记点生成平衡期血管图像，其次根据平衡期血管图像与动脉期血管图像计算静脉期血管图像，最后在动脉期血管图像中分割出人体组织模板和动脉血管模板，并在静脉期血管图像中分割出人体组织模板和静脉血管模板。由于本申请根据预设动脉期监控标记点和预设平衡期监控标记点进行扫描时机确定以扫描出血管图像，使得扫描时机根据不同体型的扫描群体可以个性化设置，同时设定动脉期和平衡期，从而可以快速高效的区分出全身血管的动脉和静脉，提升了动静脉分离效率。
本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的基于血管图像的动静脉分离方法。
本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的基于血管图像的动静脉分离方法。
请参见图6，为本申请实施例提供了一种终端的结构示意图。如图6所示，终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏（Display）、摄像头（Camera），可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个终端1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行终端1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable Logic Array，PLA）中的至少一种硬件形式来实现。处理器1001可集成中央处理器（Central Processing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器1005包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图6所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于血管图像的动静脉分离应用程序。
在图6所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的基于血管图像的动静脉分离应用程序，并具体执行以下操作：
在动脉期成像过程中根据预设动脉期监控标记点生成动脉期血管图像；
在平衡期成像过程中根据预设平衡期监控标记点生成平衡期血管图像；
根据平衡期血管图像与动脉期血管图像计算静脉期血管图像；
在动脉期血管图像中分割出人体组织模板和动脉血管模板，并在静脉期血管图像中分割出人体组织模板和静脉血管模板；
其中，动脉期是造影剂在体循环动脉均匀分布，平衡期是指造影剂在全身动脉和静脉均匀分布。
在一个实施例中，处理器1001在执行在动脉期成像过程中根据预设动脉期监控标记点生成动脉期血管图像时，具体执行以下操作：
控制注射器以动脉期成像过程中的第一注射速度注射造影剂，并实时监测第一注射量；
当第一注射量到达预设注射总量的预设第一百分比时，控制注射器停止注射，并监控预设动脉期监控标记点的第一图像信号强度；
当第一图像信号强度变化幅度大于预设第一强度阈值时，控制成像设备进行图像扫描，生成动脉期血管图像。
在一个实施例中，处理器1001在执行在平衡期成像过程中根据预设平衡期监控标记点生成平衡期血管图像时，具体执行以下操作：
控制注射器以平衡期成像过程中的第二注射速度注射造影剂，并实时监测第二注射量；
当第二注射量到达预设注射总量的预设第二百分比时，控制注射器停止注射并监控预设平衡期监控标记点的第二图像信号强度；
当第二图像信号强度变化幅度大于预设第二强度阈值时，控制成像设备进行图像扫描，生成平衡期血管图像；其中，
预设注射总量的预设第二百分比与预设注射总量的预设第一百分比之和为预设注射总量百分比。
在一个实施例中，处理器1001在执行根据平衡期血管图像与动脉期血管图像计算静脉期血管图像时，具体执行以下操作：
将平衡期血管图像与动脉期血管图像做差，得到静脉期血管图像。
在一个实施例中，处理器1001在执行在动脉期血管图像中分割出人体组织模板和动脉血管模板，并在静脉期血管图像中分割出人体组织模板和静脉血管模板时，具体执行以下操作：
计算动脉期血管图像中人体组织与血管的第一分割阈值；
利用第一分割阈值分别获取动脉期血管图像中的人体组织模板和动脉血管模板；
计算静脉期血管图像中人体组织与血管的第二分割阈值；
利用第二分割阈值分别获取静脉期血管图像中的人体组织模板和静脉血管模板。
在一个实施例中，处理器1001在执行计算所述动脉期血管图像中人体组织与血管的第一分割阈值时，具体执行以下操作：
计算所述动脉期血管图像的灰度统计直方图；
根据所述灰度统计直方图计算出目标灰度值；
将所述目标灰度值确定为人体组织与血管的第一分割阈值。
在一个实施例中，处理器1001在执行根据灰度统计直方图计算出目标灰度值时，具体执行以下操作：
获取灰度统计直方图中第预设百分位数所对应的目标灰度值；
或者，
将所述灰度统计直方图输入预先训练的灰度可塑性模型中计算出所述动脉期血管图像中各像素位置的目标脉冲发出率；
根据预设时间步长以及所述目标脉冲发出率计算所述动脉期血管图像中各像素的空间像素值；
计算动脉期血管图像中各像素位置连续两个脉冲发放时刻的差值；
根据所述空间像素值与所述连续两个脉冲发放时刻的差值进行加权求和取平均值，得到目标灰度值。
在本申请实施例中，基于血管图像的动静脉分离装置首先在动脉期成像过程中根据预设动脉期监控标记点生成动脉期血管图像，然后在平衡期成像过程中根据预设平衡期监控标记点生成平衡期血管图像，其次根据平衡期血管图像与动脉期血管图像计算静脉期血管图像，最后在动脉期血管图像中分割出人体组织模板和动脉血管模板，并在静脉期血管图像中分割出人体组织模板和静脉血管模板。由于本申请根据预设动脉期监控标记点和预设平衡期监控标记点进行扫描时机确定以扫描出血管图像，使得扫描时机根据不同体型的扫描群体可以个性化设置，同时设定动脉期和平衡期，从而可以快速高效的区分出全身血管的动脉和静脉，提升了动静脉分离效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，基于血管图像的动静脉分离的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。
Claims (10)
1.一种基于血管图像的动静脉分离方法，其特征在于，所述方法包括：
在动脉期成像过程中根据预设动脉期监控标记点生成动脉期血管图像；
在平衡期成像过程中根据预设平衡期监控标记点生成平衡期血管图像；
根据所述平衡期血管图像与所述动脉期血管图像计算静脉期血管图像；
在所述动脉期血管图像中分割出人体组织模板和动脉血管模板，并在所述静脉期血管图像中分割出人体组织模板和静脉血管模板；
其中，所述动脉期是造影剂在体循环动脉均匀分布，所述平衡期是指造影剂在全身动脉和静脉均匀分布。
2.根据权利要求1所述的方法，其特征在于，所述在动脉期成像过程中根据预设动脉期监控标记点生成动脉期血管图像，包括：
控制注射器以动脉期成像过程中的第一注射速度注射造影剂，并实时监测第一注射量；
当所述第一注射量到达预设注射总量的预设第一百分比时，控制所述注射器停止注射，并监控预设动脉期监控标记点的第一图像信号强度；
当所述第一图像信号强度变化幅度大于预设第一强度阈值时，控制成像设备进行图像扫描，生成动脉期血管图像。
3.根据权利要求2所述的方法，其特征在于，所述在平衡期成像过程中根据预设平衡期监控标记点生成平衡期血管图像，包括：
控制注射器以平衡期成像过程中的第二注射速度注射造影剂，并实时监测第二注射量；
当所述第二注射量到达预设注射总量的预设第二百分比时，控制所述注射器停止注射并监控预设平衡期监控标记点的第二图像信号强度；
当所述第二图像信号强度变化幅度大于预设第二强度阈值时，控制成像设备进行图像扫描，生成平衡期血管图像；其中，
所述预设注射总量的预设第二百分比与所述预设注射总量的预设第一百分比之和为预设注射总量百分比。
4.根据权利要求1所述的方法，其特征在于，所述根据所述平衡期血管图像与所述动脉期血管图像计算静脉期血管图像，包括：
将所述平衡期血管图像与所述动脉期血管图像做差，得到静脉期血管图像。
5.根据权利要求1所述的方法，其特征在于，所述在所述动脉期血管图像中分割出人体组织模板和动脉血管模板，并在所述静脉期血管图像中分割出人体组织模板和静脉血管模板，包括：
计算所述动脉期血管图像中人体组织与血管的第一分割阈值；
利用所述第一分割阈值分别获取所述动脉期血管图像中的人体组织模板和动脉血管模板；
计算所述静脉期血管图像中人体组织与血管的第二分割阈值；
利用所述第二分割阈值分别获取所述静脉期血管图像中的人体组织模板和静脉血管模板。
6.根据权利要求5所述的方法，其特征在于，所述计算所述动脉期血管图像中人体组织与血管的第一分割阈值，包括：
计算所述动脉期血管图像的灰度统计直方图；
根据所述灰度统计直方图计算出目标灰度值；
将所述目标灰度值确定为人体组织与血管的第一分割阈值。
7.根据权利要求6所述的方法，其特征在于，所述根据所述灰度统计直方图计算出目标灰度值，包括：
获取所述灰度统计直方图中第预设百分位数所对应的目标灰度值；
或者，
将所述灰度统计直方图输入预先训练的灰度可塑性模型中计算出所述动脉期血管图像中各像素位置的目标脉冲发出率；
根据预设时间步长以及所述目标脉冲发出率计算所述动脉期血管图像中各像素的空间像素值；
计算动脉期血管图像中各像素位置连续两个脉冲发放时刻的差值；
根据所述空间像素值与所述连续两个脉冲发放时刻的差值进行加权求和取平均值，得到目标灰度值。
8.一种基于血管图像的动静脉分离装置，其特征在于，所述装置包括：
动脉期血管图像生成模块，用于在动脉期成像过程中根据预设动脉期监控标记点生成动脉期血管图像；
平衡期血管图像生成模块，用于在平衡期成像过程中根据预设平衡期监控标记点生成平衡期血管图像；
静脉期血管图像生成模块，用于根据所述平衡期血管图像与所述动脉期血管图像计算静脉期血管图像；
动静脉血管分离模块，用于在所述动脉期血管图像中分割出人体组织模板和动脉血管模板，并在所述静脉期血管图像中分割出人体组织模板和静脉血管模板；
其中，所述动脉期是造影剂在体循环动脉均匀分布，所述平衡期是指造影剂在全身动脉和静脉均匀分布。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-7任意一项的方法步骤。
10.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211019731.1A CN115100230B (zh) | 2022-08-24 | 2022-08-24 | 基于血管图像的动静脉分离方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211019731.1A CN115100230B (zh) | 2022-08-24 | 2022-08-24 | 基于血管图像的动静脉分离方法、装置、存储介质及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115100230A true CN115100230A (zh) | 2022-09-23 |
| CN115100230B CN115100230B (zh) | 2023-02-28 |
Family
ID=83301631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211019731.1A Active CN115100230B (zh) | 2022-08-24 | 2022-08-24 | 基于血管图像的动静脉分离方法、装置、存储介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115100230B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115956899A (zh) * | 2023-02-10 | 2023-04-14 | 首都医科大学附属北京朝阳医院 | 一种冠状动脉磁共振成像的方法、装置、存储介质及终端 |
| CN116746926A (zh) * | 2023-08-16 | 2023-09-15 | 深圳市益心达医学新技术有限公司 | 基于图像识别的自动采血方法、装置、设备及存储介质 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6192264B1 (en) * | 1998-12-28 | 2001-02-20 | General Electric Company | Method and system for MRI venography including arterial and venous discrimination |
| WO2001075469A1 (en) * | 1999-05-18 | 2001-10-11 | Wisconsin Alumni Research Foundation | Magnetic resonance angiography with automated vessel segmentation |
| US20050033159A1 (en) * | 2000-03-30 | 2005-02-10 | Mistretta Charles A. | Magnetic resonance angiography with automated vessel segmentation |
| US20060239919A1 (en) * | 2005-03-04 | 2006-10-26 | Wickline Samuel A | MR coronary angiography with a fluorinated nanoparticle contrast agent at 1.5 T |
| US20080103386A1 (en) * | 2006-10-27 | 2008-05-01 | Rainer Kirsch | Method for generation of an image in contrast agent-supported mr angiography and magnetic resonance apparatus |
| WO2008060629A2 (en) * | 2006-11-17 | 2008-05-22 | Icad, Inc. | Automated method for generation of arterial and venous reference points for contrast-enhanced magnetic resonance angiography |
| US20090069668A1 (en) * | 2007-09-03 | 2009-03-12 | Alto Stemmer | Method and magnetic resonance system to optimize mr images |
| US20100296709A1 (en) * | 2009-05-19 | 2010-11-25 | Algotec Systems Ltd. | Method and system for blood vessel segmentation and classification |
| CN107578415A (zh) * | 2017-10-10 | 2018-01-12 | 深圳市图智能科技有限公司 | 一种医学图像分割方法及装置 |
| CN110148134A (zh) * | 2019-04-02 | 2019-08-20 | 佛山瑞加图医疗科技有限公司 | 血管成像方法及装置 |
| CN111932554A (zh) * | 2020-07-31 | 2020-11-13 | 青岛海信医疗设备股份有限公司 | 一种肺部血管分割方法、设备及存储介质 |
| CN112052896A (zh) * | 2020-09-03 | 2020-12-08 | 推想医疗科技股份有限公司 | 图像处理方法及装置，分类模型的训练方法及装置 |
| US20210128095A1 (en) * | 2019-11-01 | 2021-05-06 | GE Precision Healthcare LLC | Methods and systems for a single-bolus angiography and perfusion scan |
| CN113554726A (zh) * | 2021-06-04 | 2021-10-26 | 北京大学 | 基于脉冲阵列的图像重构方法、装置、存储介质及终端 |
| CN114098780A (zh) * | 2021-11-19 | 2022-03-01 | 上海联影医疗科技股份有限公司 | Ct扫描方法、装置、电子装置和存储介质 |
| CN114419181A (zh) * | 2022-02-08 | 2022-04-29 | 东软医疗系统股份有限公司 | Cta图像的重建方法及重建装置、显示方法及显示装置 |
-
2022
- 2022-08-24 CN CN202211019731.1A patent/CN115100230B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6192264B1 (en) * | 1998-12-28 | 2001-02-20 | General Electric Company | Method and system for MRI venography including arterial and venous discrimination |
| WO2001075469A1 (en) * | 1999-05-18 | 2001-10-11 | Wisconsin Alumni Research Foundation | Magnetic resonance angiography with automated vessel segmentation |
| US20050033159A1 (en) * | 2000-03-30 | 2005-02-10 | Mistretta Charles A. | Magnetic resonance angiography with automated vessel segmentation |
| US20060239919A1 (en) * | 2005-03-04 | 2006-10-26 | Wickline Samuel A | MR coronary angiography with a fluorinated nanoparticle contrast agent at 1.5 T |
| US20080103386A1 (en) * | 2006-10-27 | 2008-05-01 | Rainer Kirsch | Method for generation of an image in contrast agent-supported mr angiography and magnetic resonance apparatus |
| WO2008060629A2 (en) * | 2006-11-17 | 2008-05-22 | Icad, Inc. | Automated method for generation of arterial and venous reference points for contrast-enhanced magnetic resonance angiography |
| US20090069668A1 (en) * | 2007-09-03 | 2009-03-12 | Alto Stemmer | Method and magnetic resonance system to optimize mr images |
| US20100296709A1 (en) * | 2009-05-19 | 2010-11-25 | Algotec Systems Ltd. | Method and system for blood vessel segmentation and classification |
| CN107578415A (zh) * | 2017-10-10 | 2018-01-12 | 深圳市图智能科技有限公司 | 一种医学图像分割方法及装置 |
| CN110148134A (zh) * | 2019-04-02 | 2019-08-20 | 佛山瑞加图医疗科技有限公司 | 血管成像方法及装置 |
| US20210128095A1 (en) * | 2019-11-01 | 2021-05-06 | GE Precision Healthcare LLC | Methods and systems for a single-bolus angiography and perfusion scan |
| CN111932554A (zh) * | 2020-07-31 | 2020-11-13 | 青岛海信医疗设备股份有限公司 | 一种肺部血管分割方法、设备及存储介质 |
| CN112052896A (zh) * | 2020-09-03 | 2020-12-08 | 推想医疗科技股份有限公司 | 图像处理方法及装置，分类模型的训练方法及装置 |
| CN113554726A (zh) * | 2021-06-04 | 2021-10-26 | 北京大学 | 基于脉冲阵列的图像重构方法、装置、存储介质及终端 |
| CN114098780A (zh) * | 2021-11-19 | 2022-03-01 | 上海联影医疗科技股份有限公司 | Ct扫描方法、装置、电子装置和存储介质 |
| CN114419181A (zh) * | 2022-02-08 | 2022-04-29 | 东软医疗系统股份有限公司 | Cta图像的重建方法及重建装置、显示方法及显示装置 |
Non-Patent Citations (1)
| Title |
|---|
| 朱新勇等: "基于64排螺旋CT扫描数据的肝脏图像分割和三维重建", 《南方医科大学学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115956899A (zh) * | 2023-02-10 | 2023-04-14 | 首都医科大学附属北京朝阳医院 | 一种冠状动脉磁共振成像的方法、装置、存储介质及终端 |
| CN116746926A (zh) * | 2023-08-16 | 2023-09-15 | 深圳市益心达医学新技术有限公司 | 基于图像识别的自动采血方法、装置、设备及存储介质 |
| CN116746926B (zh) * | 2023-08-16 | 2023-11-10 | 深圳市益心达医学新技术有限公司 | 基于图像识别的自动采血方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115100230B (zh) | 2023-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115100230B (zh) | 基于血管图像的动静脉分离方法、装置、存储介质及终端 | |
| CN108198184B (zh) | 造影图像中血管分割的方法和系统 | |
| CN109741344B (zh) | 血管分割方法、装置、医疗影像设备及存储介质 | |
| CN105913432B (zh) | 基于ct序列图像的主动脉提取方法及装置 | |
| US9761004B2 (en) | Method and system for automatic detection of coronary stenosis in cardiac computed tomography data | |
| US6217520B1 (en) | Diagnostic medical ultrasound system and method for object of interest extraction | |
| CN108899075A (zh) | 一种基于深度学习的dsa图像检测方法、装置及设备 | |
| CN110648338B (zh) | 图像分割方法、可读存储介质及图像处理装置 | |
| CN110223271B (zh) | 血管图像的自动水平集分割方法及装置 | |
| CN103839249B (zh) | Ct肝灌注的图像后处理方法和ct肝灌注方法 | |
| JP2020515333A (ja) | 造影剤注入撮像 | |
| CN108805923A (zh) | 生理参数获取方法和装置 | |
| CN102419864B (zh) | 一种提取脑部ct图像骨骼方法及装置 | |
| CN106709920A (zh) | 血管提取方法及其装置 | |
| CN111242850B (zh) | 一种广域眼底光学相干血流成像分辨率提升方法 | |
| CN112862850A (zh) | 数字剪影血管造影影像处理方法及装置 | |
| Sen et al. | A comparison of medical image segmentation methods for cerebral aneurysm computational hemodynamics | |
| CN113570600B (zh) | 基于ai技术进行支架内漏检测方法、系统及设备 | |
| CN113538419B (zh) | 一种图像处理方法和系统 | |
| CN115100222B (zh) | 分离动静脉血管的图像处理方法、装置、存储介质及终端 | |
| CN105708495B (zh) | 超声彩色血流成像边界处理方法及系统 | |
| CN113610800A (zh) | 用于评估侧支循环的装置、非诊断方法及电子设备 | |
| Aykac et al. | 3D segmentation of the mouse spleen in microCT via active contours | |
| CN117333613A (zh) | 一种基于增强cta的快速分割人体动脉血管的逆向建模方法及装置 | |
| EP4224420A1 (en) | A computer-implemented method for determining scar 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |