CN115511773B - 一种血管中心线提取方法、装置、设备和可读存储介质 - Google Patents

一种血管中心线提取方法、装置、设备和可读存储介质 Download PDF

Info

Publication number
CN115511773B
CN115511773B CN202110685228.9A CN202110685228A CN115511773B CN 115511773 B CN115511773 B CN 115511773B CN 202110685228 A CN202110685228 A CN 202110685228A CN 115511773 B CN115511773 B CN 115511773B
Authority
CN
China
Prior art keywords
blood vessel
central line
region
center line
central
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
Application number
CN202110685228.9A
Other languages
English (en)
Other versions
CN115511773A (zh
Inventor
肖月庭
阳光
郑超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shukun Shanghai Medical Technology Co ltd
Original Assignee
Shukun Shanghai Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shukun Shanghai Medical Technology Co ltd filed Critical Shukun Shanghai Medical Technology Co ltd
Priority to CN202110685228.9A priority Critical patent/CN115511773B/zh
Publication of CN115511773A publication Critical patent/CN115511773A/zh
Application granted granted Critical
Publication of CN115511773B publication Critical patent/CN115511773B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (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)

Abstract

本方案公开了一种血管中心线提取方法、装置、设备和可读存储介质，其中，该方法的步骤包括：获取目标生理组织图像中血管的中心线点集；根据血管的关键特征信息，对血管中心线数量异常区域中的血管中心线进行纠错，确定真实的血管中心线。本方案能够利用关键特征信息对特殊生理组织位置的血管中心线或特殊类型的血管中心线进行纠错，确定真实血管中心线，从而提高血管图像提取的准确性。

Description

一种血管中心线提取方法、装置、设备和可读存储介质
技术领域
本申请涉及通信技术领域，具体涉及一种血管中心线提取方法、装置、电子设备和可读存储介质。
背景技术
随着科学技术的不断发展，造影成像技术已经越来越多的应用在医疗诊断中，因此，提供自动化图像处理对临床诊断来说具有重要的研究价值和实际意义。
血管中心线在血管图像提取过程中，具有极为重要作用。然而，在血管图像分割过程中，由于骨骼、器官或血管结构的复杂性，经常出现针对一个血管显示出多条血管中心线路径，即出现血管中心线错误路径干扰的问题，严重影响对血管中心线提取的准确性。
发明内容
本发明的目的在于提供一种血管中心线提取方法、装置、电子设备和可读存储介质。
为达到上述目的，本方案采用下述技术方案：
第一方面，本方案提供一种血管中心线提取方法，该方法的步骤包括：
获取目标生理组织图像中血管的中心线点集；
根据血管的关键特征信息，对血管中心线数量异常区域中的血管中心线进行纠错，确定真实的血管中心线。
在一种优选地实例中，利用骨架算法，提取目标生理组织图像中血管的中心线点集。
在一种优选地实例中，所述关键特征信息包括：血管的关键分叉点、血管段的端点、能够表征血管生理特性的生理特征识别点、血管走势中的一种或多种。
在一种优选地实例中，所述根据血管的关键特征信息，对血管中心线数量异常区域中的血管中心线进行纠错，确定真实的血管中心线的步骤包括：
将某一区域中仅存在一条血管，且包含多条血管中心线的区域作为血管中心线数量异常区域；
将中心线点集中的中心线点与血管的关键特征信息进行匹配，将匹配成功的中心线点作为关键节点；
根据所述关键节点，确定血管中心线数量异常区域中真实血管中心线的走向，提取真实血管中心线。
在一种优选地实例中，所述根据所述关键节点，确定血管中心线数量异常区域中真实血管中心线的走向，提取真实血管中心线的步骤之后包括：
在所述关键节点附近存在曲率大于预定阈值的弯曲区域的情况下，对所述弯曲区域对应的血管中心线进行平滑处理。
在一种优选地实例中，所述根据血管的关键特征信息，对血管中心线数量异常区域中的血管中心线进行纠错，确定真实的血管中心线的步骤包括：
将某一区域中仅存在一条血管，且包含多条血管中心线的区域作为血管中心线数量异常区域；
确定所述血管中心线数量异常区域中血管的类型；
根据血管类型对应的走势和异常区域起始位置的血管中心线点，确定血管中心线数量异常区域中真实血管中心线的走向，提取真实血管中心线。
在一种优选地实例中，所述根据血管的关键特征信息，对血管中心线数量异常区域中的血管中心线进行纠错，确定真实的血管中心线的步骤之后包括：剔除血管中心线数量异常区域中的错误血管中心线。
第二方面，本方案提供一种血管中心线提取装置，包括：
获取模块，获取目标生理组织图像中血管的中心线点集；
纠错模块，根据血管的关键特征信息，对血管中心线数量异常区域中的血管中心线进行纠错，确定真实的血管中心线。
第三方面，本方案提供一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的方法。
第四方面，本方案提供一种计算设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行如上所述的方法。
本发明的有益效果如下：
本方案能够利用关键特征信息对特殊生理组织位置的血管中心线或特殊类型的血管中心线进行纠错，确定真实血管中心线，从而提高血管图像提取的准确性。
附图说明
为了更清楚地说明本发明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示出本方案所述血管中心线数量异常区域的一种实例的示意图；
图2示出本方案所述血管中心线提取方法的一种实例的示意图；
图3示出本方案所述利用关键特征信息确定真实血管中心线的一种实例的示意图；
图4示出本方案所述对血管中心线进行平滑处理的一种实例的示意图；
图5示出本方案所述利用关键特征信息确定真实血管中心线的另一种实例的示意图；
图6示出本方案所述血管中心线提取装置的示意图；
图7示出本方案所述电子设备的示意图。
具体实施方式
为使本发明的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
经过对现有技术的分析和研究，在医学诊疗过程中，由于人体骨骼、器官或者特殊血管类型的复杂性，往往会影响对血管图像的提取。例如，大脑动脉环(willis环)、虹吸血管结构、头颈部前后循环等等特殊位置的复杂血管结构。如图1所示，现有技术中，利用分割模型对这些特殊位置的复杂血管结构进行分割时，经常出现血管中心线“走错路”的现象，即仅存在一条血管的位置，展示出多条中心线的问题，若以此结果进行血管图像提取，将会严重影响血管图像的准确性，无法识别出这些特殊位置的复杂血管结构。
因此，本方案旨在提供一种血管中心线提取方法，利用关键特征信息对多条中心线中的真实血管中心线进行识别，从而实现对血管中心线数量异常区域中血管中心线的纠错。
以下，结合附图对本方案提出的一种血管中心线提取方法进行详细描述。
如图2所示，本方案所述血管中心线提取方法的具体步骤包括：
步骤S1、获取目标生理组织图像中血管的中心线点集；
步骤S2、根据血管的关键特征信息，对血管中心线数量异常区域中的血管中心线进行纠错，确定真实的血管中心线。
本方案在步骤S1中，目标生理组织图像是通过医学成像系统采集的人体生理组织的医学图像。医学成像系统可以采用计算机断层摄影(CT)、螺旋CT、X光、正电子发射X射线层析摄影(PET)、荧光监察法、超声和磁共振(MR)等成像系统。以获取脑部图像为例，利用CT设备对患者的脑部区域进行扫描，得到医学扫描的多张原始图像。根据需要提取其中的一张或多张作为用作后续图像处理的目标生理组织图像。图像中通常可以包含血管、骨骼或组织器官等。
本方案在步骤S1中，可以利用K3M算法和Zhang-Suen algorithm算法等骨架算法，提取目标生理组织图像中的血管中心线，以及组成血管中心线的中心线点集。
如图1所示，由于血管出现大曲率弯曲或粘连的情况，导致利用骨架算法提取出来的中心线，在某一区域出现两种形态的中心线：中心线线段L1和中心线线段L2。这种情况会导致根据中心线提取血管图像时，此处出现两条血管，或者，仅将中心线线段L2作为中心线，生成错误的血管段，导致无法准确展现真实血管情况，严重影响血管图像的准确性。因此，本方案在步骤S2中引入血管的关键特征信息，利用血管的关键特征信息对血管中心线数量异常区域中的血管中心线进行纠错，从而确定真实的血管中心线，剔除错误血管中心线。
具体来说，可以利用血管的分叉点、血管段的端点、能够表征血管生理特性的生理特征识别点等等关键特征信息，与中心线点集中的中心线点进行匹配，将匹配成功的中心线点作为关键节点，根据该关键节点对血管中心线的走向进行识别，从而找到真实的血管中心线。
在一种实例中，如图3所示，关键特征信息包含血管的弯曲拐点P1。将血管中心线点集中的中心线点与该弯曲拐点匹配，将与该弯曲拐点P1距离最近的中心线点作为关键节点C1，即该关键节点表征血管在此处的弯曲拐点P1。通过该关键节点C1能够在血管中心线数量异常区域中，确定真实血管中心线的走向，从而确定图3中的中心线线段L1为真实的血管中心线。
此外，本方案中，可以将关键分叉点、关键血管的端点或者能够展现血管关键特征的生理特征识别点等关键特征信息作为输入，利用R-CNN识别网络模型等深度学习神经网络进行训练，得到关键特征信息的识别模型。利用识别模型，在目标生理组织图像中确定关键特征信息的位置，从而便于与血管中心线点集中的中心线点匹配。
本方案中，如图4所示，由于血管结构的特殊性，可能存在曲率较大的弯曲位置，若通过中心线点集形成中心线时，统一采用一种平滑系统调整，会导致曲率较大的位置出现失真问题。针对此问题，本方案可以根据已经确定的关键节点，判断关键节点(血管关键分叉点、血管段端点、弯曲拐点等等)附近的预定区域是否具有曲率大于预定阈值的弯曲区域，若果有，则利用曲线平滑算法，基于第一平滑系数，对弯曲区域对应的血管中心线进行平滑处理；利用曲线平滑算法，基于第二平滑系数，对非弯曲区域对应的血管中心线进行平滑处理，从而提高血管中心线的平滑度，避免局部失真的问题。其中，预定区域可以是以关键节点为中心，向外扩张的正方形、长方形、圆形、椭圆形等识别框。
本方案步骤S2中，还可以利用血管的走势信息和血管段的端点信息，寻找真实的血管中心线。具体来说，可以先判断中血管的类型，根据血管的类型，可以确定血管的走势。然后，结合血管中心线数量异常区域中该血管起始位置的中心线点，确定血管中心线数量异常区域中真实血管中心线的走向，从而找到真实的血管中心线。
在一种实例中，如图5所示，以虹吸型血管的弯曲位置没有能够表征弯曲特性的关键节点为例。首先，需要结合医学扫描时的记录信息，确定血管中心线数量异常区域中血管的类型为虹吸结构，与此同时，确定此处虹吸型血管的弯曲方向。然后，利用发生弯曲前的中心线点A1和弯曲结束时的中心线点A2为关键节点，结合此处虹吸型血管的弯曲方向，确定图5中的中心线线段L1为真实的血管中心线。
本方案中，为了避免错误中心线影响后续的血管图像提取工作，可以在确定真实血管中心线后，从目标生理组织图像中删除血管中心线数量异常区域中的错误血管中心线。
综上所述，本方案通过关键特征信息对特殊生理组织位置的血管中心线或特殊类型的血管中心线进行纠错，确定真实血管中心线，从而提高血管图像提取的准确性。
如图6所示，本方案进一步提供了配合上述血管中心线提取方法实施的血光病灶识别装置101，该装置包括：获取模块102和纠错模块103。该装置在工作时，获取模块102获取目标生理组织图像中血管的中心线点集；然后，利用纠错模块103根据血管的关键特征信息，对血管中心线数量异常区域中的血管中心线进行纠错，确定真实的血管中心线。利用关键特征信息对特殊生理组织位置的血管中心线或特殊类型的血管中心线进行纠错，确定真实血管中心线，从而提高血管图像提取的准确性。
本方案中，获取模块102中获取的目标生理组织图像是通过医学成像系统采集的人体生理组织的医学图像。以获取脑部图像为例，利用CT设备对患者的脑部区域进行扫描，得到医学扫描的多张原始图像。根据需要提取其中的一张或多张作为用作后续图像处理的目标生理组织图像。图像中通常可以包含血管、骨骼或组织器官等。
本方案中，纠错模块103可以利用血管的分叉点、血管段的端点、能够表征血管生理特性的生理特征识别点等等关键特征信息，与中心线点集中的中心线点进行匹配，将匹配成功的中心线点作为关键节点，根据该关键节点对血管中心线的走向进行识别，从而找到真实的血管中心线。也可以利用血管的走势信息和血管段的端点信息，寻找真实的血管中心线。具体来说，可以先判断中血管的类型，根据血管的类型，可以确定血管的走势。然后，结合血管中心线数量异常区域中该血管起始位置的中心线点，确定血管中心线数量异常区域中真实血管中心线的走向，从而找到真实的血管中心线。
应当理解，本方案中各模块或单元可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(Programmable GateArray，PGA)，现场可编程门阵列(Field Programmable Gate Array，FPGA)等。
在上述血管中心线提取方法实施方式的基础上，本方案进一步提供一种计算机可读存储介质。该计算机可读存储介质用于实现上述血管中心线提取方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在设备，例如个人电脑上运行。然而，本方案的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本方案操作的程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等，还包括常规的过程式程序设计语言-诸如"C"语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在上述血管中心线提取方法实施方式的基础上，本方案进一步提供一种电子设备。如图7所示电子设备仅仅是一个示例，不应对本方案实施例的功能和使用范围带来任何限制。
如图7所示，电子设备201以通用计算设备的形式表现。电子设备201的组件可以包括但不限于：至少一个存储单元202、至少一个处理单元203、显示单元204和用于连接不同系统组件的总线205。
其中，所述存储单元202存储有程序代码，所述程序代码可以被所述处理单元203执行，使得所述处理单元203执行上述设备征兆信息获取方法中描述的各种示例性实施方式的步骤。例如，所述处理单元203可以执行如图1中所示的步骤。
存储单元202可以包括易失性存储单元，例如随机存取存储单元(RAM)和/或高速缓存存储单元，还可以进一步包括只读存储单元(ROM)。
存储单元202还可以包括具有程序模块的程序/实用工具，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线205可以包括数据总线、地址总线和控制总线。
电子设备201也可以与一个或多个外部设备207(例如键盘、指向设备、蓝牙设备等)通信，这种通信可以通过输入/输出(I/O)接口206进行。应当明白，尽管图中未示出，可以结合电子设备201使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (8)

1.一种血管中心线提取方法，其特征在于，该方法的步骤包括：
获取目标生理组织图像中血管的中心线点集；
将某一区域中仅存在一条血管，且包含多条血管中心线的区域作为血管中心线数量异常区域；将中心线点集中的中心线点与血管的关键特征信息进行匹配，将匹配成功的中心线点作为关键节点；根据所述关键节点，确定血管中心线数量异常区域中真实血管中心线的走向，提取真实血管中心线；或者，
将某一区域中仅存在一条血管，且包含多条血管中心线的区域作为血管中心线数量异常区域；确定所述血管中心线数量异常区域中血管的类型；根据血管类型对应的走势和异常区域起始位置的血管中心线点，确定血管中心线数量异常区域中真实血管中心线的走向，提取真实血管中心线。
2.根据权利要求1所述的血管中心线提取方法，其特征在于，利用骨架算法，提取目标生理组织图像中血管的中心线点集。
3.根据权利要求1所述的血管中心线提取方法，其特征在于，所述关键特征信息包括：血管的关键分叉点、血管段的端点、能够表征血管生理特性的生理特征识别点、血管走势中的一种或多种。
4.根据权利要求1所述的血管中心线提取方法，其特征在于，所述根据所述关键节点，确定血管中心线数量异常区域中真实血管中心线的走向，提取真实血管中心线的步骤之后包括：
在所述关键节点附近存在曲率大于预定阈值的弯曲区域的情况下，对所述弯曲区域对应的血管中心线进行平滑处理。
5.根据权利要求1所述的血管中心线提取方法，其特征在于，该方法的步骤还包括：剔除血管中心线数量异常区域中的错误血管中心线。
6.一种血管中心线提取装置，其特征在于，包括：
获取模块，获取目标生理组织图像中血管的中心线点集；
纠错模块，将某一区域中仅存在一条血管，且包含多条血管中心线的区域作为血管中心线数量异常区域；将中心线点集中的中心线点与血管的关键特征信息进行匹配，将匹配成功的中心线点作为关键节点；根据所述关键节点，确定血管中心线数量异常区域中真实血管中心线的走向，提取真实血管中心线；或者，
将某一区域中仅存在一条血管，且包含多条血管中心线的区域作为血管中心线数量异常区域；确定所述血管中心线数量异常区域中血管的类型；根据血管类型对应的走势和异常区域起始位置的血管中心线点，确定血管中心线数量异常区域中真实血管中心线的走向，提取真实血管中心线。
7.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-5任一项所述的方法。
8.一种设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行如权利要求1-5任一项所述的方法。
CN202110685228.9A 2021-06-21 2021-06-21 一种血管中心线提取方法、装置、设备和可读存储介质 Active CN115511773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110685228.9A CN115511773B (zh) 2021-06-21 2021-06-21 一种血管中心线提取方法、装置、设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110685228.9A CN115511773B (zh) 2021-06-21 2021-06-21 一种血管中心线提取方法、装置、设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN115511773A CN115511773A (zh) 2022-12-23
CN115511773B true CN115511773B (zh) 2023-08-29

Family

ID=84500494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110685228.9A Active CN115511773B (zh) 2021-06-21 2021-06-21 一种血管中心线提取方法、装置、设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN115511773B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287956A (zh) * 2019-06-13 2019-09-27 北京理工大学 血管中心线自动匹配方法及装置
CN110517279A (zh) * 2019-09-20 2019-11-29 北京深睿博联科技有限责任公司 头颈血管中心线提取方法及装置
CN110652312A (zh) * 2019-07-19 2020-01-07 慧影医疗科技（北京）有限公司 一种血管cta智能分析系统及应用
CN110910441A (zh) * 2019-11-15 2020-03-24 首都医科大学附属北京友谊医院 一种中心线提取的方法及装置
CN112598671A (zh) * 2021-03-08 2021-04-02 数坤（北京）网络科技有限公司 一种血管中心线提取方法、设备及可读存储介质
CN112652011A (zh) * 2020-12-25 2021-04-13 北京阅影科技有限公司 目标血管的提取方法、提取装置与计算机可读存储介质
CN112734785A (zh) * 2021-01-28 2021-04-30 依未科技(北京)有限公司 亚像素级眼底血管边界确定的方法、装置、介质和设备
CN112884826A (zh) * 2021-03-26 2021-06-01 北京阅影科技有限公司 血管中心线的提取方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017087821A2 (en) * 2015-11-18 2017-05-26 Lightlab Imaging, Inc. X-ray image feature detection and registration systems and methods

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287956A (zh) * 2019-06-13 2019-09-27 北京理工大学 血管中心线自动匹配方法及装置
CN110652312A (zh) * 2019-07-19 2020-01-07 慧影医疗科技（北京）有限公司 一种血管cta智能分析系统及应用
CN110517279A (zh) * 2019-09-20 2019-11-29 北京深睿博联科技有限责任公司 头颈血管中心线提取方法及装置
CN110910441A (zh) * 2019-11-15 2020-03-24 首都医科大学附属北京友谊医院 一种中心线提取的方法及装置
CN112652011A (zh) * 2020-12-25 2021-04-13 北京阅影科技有限公司 目标血管的提取方法、提取装置与计算机可读存储介质
CN112734785A (zh) * 2021-01-28 2021-04-30 依未科技(北京)有限公司 亚像素级眼底血管边界确定的方法、装置、介质和设备
CN112598671A (zh) * 2021-03-08 2021-04-02 数坤（北京）网络科技有限公司 一种血管中心线提取方法、设备及可读存储介质
CN112884826A (zh) * 2021-03-26 2021-06-01 北京阅影科技有限公司 血管中心线的提取方法及装置

Also Published As

Publication number Publication date
CN115511773A (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
US10902588B2 (en) Anatomical segmentation identifying modes and viewpoints with deep learning across modalities
US11766575B2 (en) Quality assurance process for radiation therapy treatment planning
CN111325714B (zh) 感兴趣区域的处理方法、计算机设备和可读存储介质
CN111145160B (zh) 钙化区域所处冠脉分支的确定方法、装置、服务器及介质
CN111062963B (zh) 一种血管提取方法、系统、设备及存储介质
JP6422746B2 (ja) 核医学診断装置、医用画像処理装置、ソース位置の推定方法およびソース位置推定プログラム
CN111640124B (zh) 一种血管提取方法、装置、设备及存储介质
CN113298856B (zh) 一种图像配准方法、装置、设备和介质
CN114066969B (zh) 一种医学图像分析方法以及相关产品
CN111612778A (zh) 一种术前cta与术中x光冠状动脉配准方法
CN114004793A (zh) 血流特性获取方法、装置、电子设备及存储介质
CN111340794B (zh) 冠状动脉狭窄的量化方法及装置
CN116649994A (zh) Cta与dsa图像智能融合方法、装置、设备及介质
CN112116608B (zh) 一种导丝分割方法、装置、电子设备及存储介质
Fontanella et al. Diffusion models for counterfactual generation and anomaly detection in brain images
JP7035569B2 (ja) 医用画像処理装置
CN114202516A (zh) 一种异物检测方法、装置、电子设备及存储介质
CN115511773B (zh) 一种血管中心线提取方法、装置、设备和可读存储介质
WO2023125969A1 (en) Systems and methods for bypass vessel reconstruction
CN113610841B (zh) 一种血管异常图像识别方法、装置、电子设备和存储介质
CN113792736B (zh) 基于深度学习的医学图像处理方法、设备及介质
CN115578484A (zh) 一种血管图像处理方法、装置、电子设备和可读存储介质
CN114037830A (zh) 增强图像生成模型的训练方法、图像处理方法及装置
CN115578396B (zh) 一种血管图像提取方法、装置、电子设备和可读存储介质
KR20220076296A (ko) 복수의 폐질환을 스크리닝하기 위한 의료 영상 재구성 장치 및 방법

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230523

Address after: 200,030 Room 307, Area A, Floor 2, No.420 Fenglin Road, Xuhui District, Shanghai

Applicant after: Shukun (Shanghai) Medical Technology Co.,Ltd.

Address before: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing

Applicant before: Shukun (Beijing) Network Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant