CN115546185A - 血管图像的轮廓提取方法、装置、设备及存储介质 - Google Patents

血管图像的轮廓提取方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115546185A
CN115546185A CN202211332117.0A CN202211332117A CN115546185A CN 115546185 A CN115546185 A CN 115546185A CN 202211332117 A CN202211332117 A CN 202211332117A CN 115546185 A CN115546185 A CN 115546185A
Authority
CN
China
Prior art keywords
blood vessel
image
contour
points
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
Application number
CN202211332117.0A
Other languages
English (en)
Inventor
高琪
李健
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.)
Hangzhou Shengshi Technology Co ltd
Original Assignee
Hangzhou Shengshi 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 Hangzhou Shengshi Technology Co ltd filed Critical Hangzhou Shengshi Technology Co ltd
Priority to CN202211332117.0A priority Critical patent/CN115546185A/zh
Publication of CN115546185A publication Critical patent/CN115546185A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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
    • G06T2207/30204—Marker
    • G06T2207/30208—Marker matrix

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请提供的血管图像的轮廓提取方法，获得血管图像的两个图像矩阵和标记点矩阵；基于两个图像矩阵，从血管图像中分割出血管树图像，并获取血管树图像的灰度图；基于血管树图像的灰度图和标记点矩阵，得到标记段血管的中心线；其中，标记段血管的中心线上包括标记点矩阵中包含的起点和终点；基于标记段血管的中心线对血管树图像的灰度图进行二值化分割，得到血管与背景分割后的标记段血管灰度图；以中心线上各点为原点确定各点对应的两个第一法向量上，与标记段血管灰度图的边缘的交点为初始轮廓点，并基于初始轮廓点构建标记段血管的轮廓。本申请还提供了一种血管图像的轮廓提取装置、血管图像的轮廓提取设备及存储介质。

Description

血管图像的轮廓提取方法、装置、设备及存储介质
技术领域
本申请涉及但不限于图像处理领域，尤其涉及一种血管图像的轮廓提取方法、装置、设备及存储介质。
背景技术
在医疗影像中，准确的分割出血管例如冠状动脉血管及提取血管轮廓对于确定冠状动脉的狭窄、病变等有着重要的意义。目前，血管图像的轮廓提取多采用传统的区域生长方式或机器学习方式，这些方式提取到的轮廓不贴合原始血管。
发明内容
本申请实施例提供一种血管图像的轮廓提取方法、装置、设备及存储介质。
本申请实施例的技术方案是这样实现的：
本申请提供一种血管图像的轮廓提取方法，该方法包括：
获取血管图像的两个图像矩阵和标记点矩阵；
基于所述两个图像矩阵，从所述血管图像中分割出血管树图像，并获取所述血管树图像的灰度图；
基于所述血管树图像的灰度图和所述标记点矩阵，得到标记段血管的中心线；其中，所述标记段血管的中心线上包括所述标记点矩阵中包含的起点和终点；
基于所述标记段血管的中心线对所述血管树图像的灰度图进行二值化分割，得到血管与背景分割后的标记段血管灰度图；
以所述中心线上各点为原点确定各点对应的两个第一法向量上，与所述标记段血管灰度图的边缘的交点为初始轮廓点，并基于所述初始轮廓点构建所述标记段血管的轮廓。
本申请提供一种血管图像的轮廓提取装置，该装置包括：
获取模块，用于获取血管图像的两个图像矩阵和标记点矩阵；
处理模块，用于基于所述两个图像矩阵，从所述血管图像中分割出血管树图像，并获取所述血管树图像的灰度图；
所述处理模块，用于基于所述血管树图像的灰度图和所述标记点矩阵，得到标记段血管的中心线；其中，所述标记段血管的中心线上包括所述标记点矩阵中包含的起点和终点；
所述处理模块，用于基于所述标记段血管的中心线对所述血管树图像的灰度图进行二值化分割，得到血管与背景分割后的标记段血管灰度图；
所述处理模块，用于以所述中心线上各点为原点确定各点对应的两个第一法向量上，与所述标记段血管灰度图的边缘的交点为初始轮廓点，并基于所述初始轮廓点构建所述标记段血管的轮廓。
本申请提供一种血管图像的轮廓提取设备，所述血管图像的轮廓提取设备包括：处理器、存储器和通信总线；
所述通信总线用于实现处理器和存储器之间的通信连接；
所述处理器用于执行存储器中存储的血管图像的轮廓提取程序，以实现上述所述的血管图像的轮廓提取方法的步骤。
本申请实施例提供一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述所述的血管图像的轮廓提取方法的步骤。
本申请提供的血管图像的轮廓提取方法、装置、血管图像的轮廓提取设备及存储介质，通过获取血管图像的两个图像矩阵和标记点矩阵；基于两个图像矩阵，从血管图像中分割出血管树图像，并获取血管树图像的灰度图；基于血管树图像的灰度图和标记点矩阵，得到标记段血管的中心线；其中，标记段血管的中心线上包括标记点矩阵中包含的起点和终点；基于标记段血管的中心线对血管树图像的灰度图进行二值化分割，得到血管与背景分割后的标记段血管灰度图；以中心线上各点为原点确定各点对应的两个第一法向量上，与标记段血管灰度图的边缘的交点为初始轮廓点，并基于初始轮廓点构建标记段血管的轮廓；也就是说，本申请提供的血管图像的轮廓提取方法实现了自动提取贴合真实血管边缘的血管图像的轮廓，以血管树图像的灰度图为基础，即从实际场景出发，对标记段血管和背景进行分割，消除背景干扰，如此，使得到的血管轮廓更加贴合真实血管边缘。
附图说明
图1本申请实施例提供的血管图像的轮廓提取方法的流程示意图；
图2本申请实施例提供的读取的血管图像和标记点的示意图；
图3本申请实施例提供的高斯滤波后的示意图；
图4本申请实施例提供的中值滤波后的示意图；
图5本申请实施例提供的双边滤波后的示意图；
图6本申请实施例提供的锐化处理后的示意图；
图7本申请实施例提供的锐化处理过程中调整图像的亮度后的示意图；
图8本申请实施例提供的锐化处理过程中调整图像的亮度和对比度后的示意图；
图9本申请实施例提供的血管树图像的灰度图的示意图；
图10本申请实施例提供的标记段血管的中心线的示意图；
图11本申请实施例提供的标记段血管灰度图的示意图；
图12本申请实施例提供的初始轮廓的示意图；
图13本申请实施例提供的修正后的轮廓的示意图；
图14本申请实施例提供的优化后的轮廓的示意图；
图15本申请实施例提供的血管的边缘图像的示意图；
图16本申请实施例提供的替换后的轮廓的示意图；
图17本申请实施例提供的二次修正后的轮廓的示意图；
图18本申请实施例提供的多项式拟合血管轮廓的示意图；
图19本申请实施例提供的血管图像的轮廓提取装置的结构示意图；
图20本申请实施例提供的血管图像的轮廓提取设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请实施例提供的血管图像的轮廓提取设备可以实施为笔记本电脑，平板电脑，台式计算机，移动设备(例如，个人数字助理，专用消息设备)，智能机器人等任意血管图像的轮廓提取设备，也可以实施为服务器。下面，将说明血管图像的轮廓提取设备实施为血管图像的轮廓提取设备时的示例性应用。
本申请实施例提供一种血管图像的轮廓提取方法，该方法应用于血管图像的轮廓提取设备，参见图1所示，该方法包括：
步骤101、获取血管图像的两个图像矩阵和标记点矩阵。
本申请实施例中，血管图像包括但不限于冠状动脉的医学影像、主动脉分支的医学影像。本申请实施例中对于血管图像对应的部位不作具体限定。
这里，两个图像矩阵包括相同时刻不同角度获得的医学影像的数据。例如，相同时刻不同角度下光源到两个投影平面的冠状动脉造影图像的矩阵。标记点矩阵包括至少两个标记点，当包括两个标记点时，可以将其中一个标记为起点，则另一个标记为终点；当有两个以上的标记点时，存在一个起点，一个终点，以及起点和终点之间的中间点。其中，标记点用于生成血管中心线，以进行后续的血管段分割。
示例性的，参见图2所示，以血管图像为数字减影血管造影(Digital subtractionangiography，DSA)冠脉图像为例，读取医学数字成像和通信(Digital Imaging andCommunications in Medicine，DICOM)格式的文件，获取DSA冠脉图像和感兴趣段血管的标记点，以得到两个图像矩阵和标记点矩阵；其中，感兴趣段血管的标记点包括图2所示的第一标记点201(假设为首个标记点)和第二标记点202(假设为最后一个标记点)。
步骤102、基于两个图像矩阵，从血管图像中分割出血管树图像，并获取血管树图像的灰度图。
本申请实施例中，基于两个图像矩阵，对血管图像进行图像分割，从原始的血管图像中分割出血管树图像，这个过程又称为图像预处理过程，为后续的轮廓提取减少干扰。
进一步地，在分割出血管树图像的情况下，可以对血管树图像进行阈值分割处理，得到血管树图像的灰度图。阈值分割处理包括但不限于二值化分割。
步骤103、基于血管树图像的灰度图和标记点矩阵，得到标记段血管的中心线。
其中，标记段血管的中心线上包括标记点矩阵中包含的起点和终点。
本申请实施例中，血管树图像的灰度图上的一个点到另一个点的路径不止一条，每条路径的长度可能不同，基于血管树图像的灰度图和标记点矩阵，确定各条路径的长度，并基于各条路径的长，得到标记段血管的中心线。
这里，可以基于从一个点到另一个点的路径长度最短的路径，得到标记段血管的中心线。还可以基于快速匹配水平集算法(Fast Marching Level Set Method)得到标记段血管的中心线。
步骤104、基于标记段血管的中心线对血管树图像的灰度图进行二值化分割，得到血管与背景分割后的标记段血管灰度图。
本申请实施例中，基于标记段血管的中心线对血管树图像的灰度图进行二值化分割，得到血管与背景分割后的标记段血管灰度图的过程中，可以采用图像二值化处理方式来实现血管与背景的分割，以得到标记段血管灰度图。
其中，图像二值化(Image Binarization)，是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。阈值是在图像分割时作为区分目标物体与背景像素的门限，大于或等于阈值的像素属于目标物体，而其他像素属于背景。本申请中的目标物体包括标记段血管。
本申请实施例中，对血管树图像的灰度图进行二值化分割，采用阈值化来完成，阈值包括但不限于全局阈值、自适应阈值。
其中，全局阈值是指整幅图像使用同一个阈值来处理，适用于背景和标记段血管有明显对比的图像。在许多情况下，标记段血管和背景的对比度在图像中不是各处一样的，这时很难用统一的一个阈值来将标记段血管和背景分开。这时可以根据图像的局部特征分别采用不同的阈值来进行处理。实际处理时，需要按照具体问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择各点处的阈值。
本申请一些实施例中，在采用自适应阈值的过程中，可以采用大津阈值分割算法对血管树图像的灰度图进行二值化分割。其中，标记段血管和背景的分割值可以是通过类间方差法求出的阈值。
可见，本申请以血管树图像的灰度图为基础，即从实际场景出发，对标记段血管和背景进行分割，消除背景干扰，如此，使得到的血管轮廓更加贴合真实血管边缘。
步骤105、以中心线上各点为原点确定各点对应的两个第一法向量上，与标记段血管灰度图的边缘的交点为初始轮廓点，并基于初始轮廓点构建标记段血管的轮廓。
本申请实施例中，对于中心线上各点，可以确定两个第一法向量，这两个第一法向量的方向相反。
在一些实施例中，基于初始轮廓点构建标记段血管的轮廓，可以将初始轮廓点直接连接而形成标记段血管的轮廓；也就是说，标记段血管的轮廓可以是基于标记段血管的灰度图得到的。
在另一些实施例中，基于初始轮廓点构建标记段血管的轮廓，可以将初始轮廓点直接连接而形成标记段血管的初始轮廓，进而对初始轮廓进行至少一次的更新处理，得到最终的轮廓。最终的轮廓与初始轮廓不仅消除了血管图像中背景对轮廓提取的干扰，而且最终的轮廓进一步地提升了轮廓提取的贴合度。
本申请实施例提供的血管图像的轮廓提取方法，通过获取血管图像的两个图像矩阵和标记点矩阵；基于两个图像矩阵，从血管图像中分割出血管树图像，并获取血管树图像的灰度图；基于血管树图像的灰度图和标记点矩阵，得到标记段血管的中心线；其中，标记段血管的中心线上包括标记点矩阵中包含的起点和终点；基于标记段血管的中心线对血管树图像的灰度图进行二值化分割，得到血管与背景分割后的标记段血管灰度图；以中心线上各点为原点确定各点对应的两个第一法向量上，与标记段血管灰度图的边缘的交点为初始轮廓点，并基于初始轮廓点构建标记段血管的轮廓；也就是说，本申请提供的血管图像的轮廓提取方法实现了自动提取贴合真实血管边缘的血管图像的轮廓，以血管树图像的灰度图为基础，即从实际场景出发，对标记段血管和背景进行分割，消除背景干扰，如此，使得到的血管轮廓更加贴合真实血管边缘。
本申请一些实施例中，步骤102中基于两个图像矩阵，从血管图像中分割出血管树图像，包括通过如下两个阶段的操作来实现：
第一阶段，对两个图像矩阵进行滤波处理，得到滤波后的图像矩阵。
本申请实施例中，滤波处理包括但不限于高斯滤波、双边滤波、中值滤波、均值滤波。这里，将两个图像矩阵对应的原始三维图像命名为img。示例性的，本申请对两个图像矩阵进行滤波处理的过程中，可以依次对img进行高斯滤波、中值滤波、双边滤波。
示例性的，以p×p大小的滤波核对img进行高斯滤波，得到的高斯滤波后的图像参见图3所示，使图像更加平滑。其中，p为正整数，例如p＝5。当然，p也可以取其他值，例如3等，本申请对此不作具体限定。
示例性的，以q邻域为范围对图3进行中值滤波，尽可能的保护图像中细节信息，避免图像边缘的细化或者粗化，得到的中值滤波后的图像参见图4所示，进一步的使图像更加平滑。其中，q为正整数，例如q＝5。当然，q也可以取其他值，例如3等，本申请对此不作具体限定。
示例性的，针对图4，设定尺度(sigma)，在当前刻度sigma下构造与图像大小相同的多维高斯滤波器，进行高斯滤波，计算海赛(Hessian)矩阵与Hessian特征值。为每个像素返回所有sigma刻度上的最大值，将其对应的图像作为输出，得到双边滤波后的图像，参见图5所示的血管树图像。
第二阶段，对滤波后的图像矩阵进行锐化处理，得到血管树图像。
这里，血管树图像表征为img1，img1可以通过如下公式(1)得到：
img1＝(logI(K·img))g (1)；
其中，K为锐化矩阵，I为对比度调整系数，g为亮度调整系数。
示例性的，对滤波后的图像矩阵即图5所示的血管树图像进行锐化处理，得到如图6所示的清晰的血管树图像。
在一个可实现的锐化处理的场景中，以g＝0.6、I＝0.4调整图5所示的血管树图像的亮度对比度为例，调整亮度后得到的图像参见图7所示，进一步的，在此基础上，继续调整对比度，得到的图像参见图8所示，实现从原始血管图像中分割得到完整清晰的血管树图像。
这里，仍旧以前述第二阶段得到的血管树图像为例，设定阈值0.04，做阈值二值化分割例如局部大津阈值二值化血管分割，得到血管树图像的灰度图，参见图9所示。
进一步地，以图9所示的血管树图像的灰度图和标记点矩阵，得到标记段血管的中心线参见图10所示：根据图9生成的血管树图像的灰度图和标记点矩阵即感兴趣段血管标记点，利用快速匹配水平集算法得到标记段血管的中心线，其中，中心线起点为首个标记点，经过路径中包含中间的标记点，终点为最后一个标记点。
本申请一些实施例中，步骤104基于标记段血管的中心线对血管树图像的灰度图进行二值化分割，得到血管与背景分割后的标记段血管灰度图，可以通过如下步骤实现：
首先，以中心线中的各点作为种子点，获取血管与背景的分割阈值。
示例性的，分割阈值可以通过如下方式确定：获取分割窗口内最大类间方差，并基于最大类间方差确定血管与背景的分割阈值。
其次，基于分割阈值对分割窗口内的图像进行分割，得到分割窗口内的部分血管图像。
最后，将得到的所有分割窗口内的部分血管图像进行组合，并对组合后的图像进行形态学操作处理，得到标记段血管灰度图。
本申请实施例中，形态学操作包括开运算、闭运算。其中，开运算指的是对图像先进行腐蚀运算然后再进行膨胀运算，可以消除离散点和"毛刺"，可以将两个物体分开。闭运算指的是对图像先进行膨胀运算然后再进行腐蚀运算，可以填充图像中内部空洞和图像凹角点，可以把两个邻近的目标连接起来。
示例性的，根据得到的标记段血管的中心线和血管树图像的灰度图，以中心线各点作为种子点，以将种子点作为中心的r×r大小的矩阵为分割窗口，r为正整数，例如r＝26，计算分割窗口各像素值的最大类间方差作为分割阈值，并对分割窗口中的血管和背景进行分割，最后将各个分割窗口的分割结果进行组合，得到局部大津阈值二值化分割的最终结果，并进行形态学填充、开闭运算，得到标记段血管灰度图img3如11所示。这里，r也可以取其他值，例如25，本申请对此不作具体限定。
本申请一些实施例中，步骤105中基于初始轮廓点构建标记段血管的轮廓，包括如下步骤：
A11、将初始轮廓点相连得到标记段血管的两条初始轮廓。
示例性的，根据生成的标记段血管的中心线和血管树图像的灰度图img3，计算中心线的切向量和两个方向的法向量，以中心线各种子点为原点出发，寻找法向量方向上与标记段血管灰度图边缘的交点作为初始轮廓点，最后得到两条初始轮廓，记为c1、c2，如图12所示。
A12、在血管图像的基础上，以初始轮廓中各轮廓点为起点，以第一法向量上的单位法向量为步长，计算第一法向量方向上n个有效点的梯度。
其中，n为正整数。这里，n个有效点为血管图像中的点。
A13、将各轮廓点在两个第一法向量上的最大梯度点作为新的轮廓点，得到两条修正后的轮廓。
示例性的，根据A11得到的血管初始轮廓c1、c2，在血管图像的基础上，针对每条轮廓计算其切向量及法向量，设定Sobel梯度算子，以c1、c2中各轮廓点为起点，法向量为步长，计算法向量方向上f个有效点的Sobel梯度，并将两个方向上的最大Sobel梯度点作为新的轮廓点存入初始轮廓中，得到修正后的轮廓，记为c1n、c2n如图13所示。其中，f为正整数，例如为8，f的取值范围[1,10]。也就是说，本申请是基于原始的血管图像和初始轮廓，按照梯度最大原则对轮廓点进行更新优化的。
示例性的，可以通过如下公式(2)至公式(5)计算Sobel梯度值：
Figure BDA0003913641380000081
Figure BDA0003913641380000082
Figure BDA0003913641380000083
Figure BDA0003913641380000084
其中，A为原始轮廓点像素坐标，A′为待测点像素坐标，G为A′点处的Sobel梯度值，h为步长，
Figure BDA0003913641380000085
为A点处单位法向量，Gx、Gy分别为A′点处x轴和y轴方向上的Sobel梯度分量。
本申请一些实施例中，步骤A13中得到两条修正后的轮廓之后，还可以执行如下步骤：
B11、获取两条修正后的轮廓中各点到两条初始轮廓中对应点的对侧点之间的距离。
B12、若距离超出距离阈值，将两条修正后的轮廓中超出距离阈值的点替换为两条初始轮廓中的对应点，得到优化后的两条修正后的轮廓。
示例性的，距离阈值的取值范围[0.6l，1.25l]，其中，l为初始距离参数。
在一个可实现的场景中，更新为修正后的轮廓后，计算初始轮廓各处临近多组对应轮廓点的距离，得到初始距离参数l。其中，临近多组包括但不限于4组。进一步的，计算修正后轮廓中各点与原始轮廓中对应血管对侧点的距离l′，如果l′>1.25l或l′<0.6l，则将c1n、c2n中的该点替换为c1、c2中的点，得到纠正后的轮廓，记为c1nn、c2nn，如图14所示。
在其他实施例中，还可以基于l′与l的比值是否在比例阈值范围内，若超出则将两条修正后的轮廓中超出距离阈值的点替换为两条初始轮廓中的对应点，得到优化后的两条修正后的轮廓。
示例性的，针对每条轮廓计算其切向量及法向量，以c1nn、c2nn中各轮廓点为起点，单位法向量为步长，依次检索法向量方向上z个有效点是否为imgedge中的血管边缘，如果是，则将c1nn、c2nn中的点替换为检索到的有效点。计算公式如下：
Figure BDA0003913641380000086
A′＝A if A′pixel＝255；
其中，A为原始轮廓点像素坐标，A′为待测点像素坐标，z为步长，
Figure BDA0003913641380000087
为A点处单位法向量，A′pixel为待测点A′像素值。
本申请实施例中，以少于预设数量的有效点为范围进行Sobel梯度的二次修正，得到c1nnn、c2nnn。
本申请一些实施例中，步骤B12中得到优化后的两条修正后的轮廓之后，还可以执行如下步骤：
C11、基于血管树图像，提取血管的边缘图像。
示例性的，基于血管树图像，提取血管的边缘图像可以通过如下步骤时限：首先进行高斯滤波，然后计算各像素点的Sobel梯度和方向，进而采用非最大抑制算法消除边误检，遍历两个图像矩阵对应的梯度矩阵上的所有点，并保留边缘方向上具有极大值的像素。经过非极大抑制后，应用双阈值来筛选边界，例如设定一个阈值上界150和阈值下界50，大于阈值上界的称为强边界，小于阈值下界的成为弱边界；最后，将和最大的强边界相连的弱边界判定为目标边界，其他的弱边界则被抑制，最后得到血管边缘图像参见图15所示，
C12、以优化后的两条修正后的轮廓中各轮廓点为起点，以各轮廓点对应的第二法向量上的单位法向量为步长，检索第二法向量上m个有效点是否为边缘图像中的血管边缘。
其中，m为正整数。
C13、若检索到的m个有效点为边缘图像中的血管边缘，用检索到的m个有效点替换优化后的两条修正后的轮廓中对应的各轮廓点，得到两条替换后的轮廓。
示例性的，根据优化后的两条修正后的轮廓和边缘图像，针对每条轮廓计算其切向量及法向量，以轮廓中各轮廓点为起点，法向量为步长，检索法向量方向上m个有效点是否为图像中的血管边缘，若找到边缘则将血管轮廓中的点替换为检索到的有效点，得到两条替换后的轮廓，参见图16所示。示例性的，m＝8。
示例性的，将得到的血管轮廓以3个有效点为范围进行Sobel梯度的二次修正，得到二次修正后的血管轮廓参见图17所示。
本申请一些实施例中，步骤C13中得到两条替换后的轮廓之后，还可以执行如下步骤：
D11、提取两条替换后的轮廓的新的中心线。
D12、获取两条替换后的轮廓的X轴方向上的跨度Dx和Y轴方向上的跨度Dy。
D13、若Dx>Dy，以横坐标为自变量，以纵坐标为因变量进行高次多项式拟合，将两条替换后的轮廓上的轮廓点代入第一拟合曲线函数，计算得到最终的血管轮廓点。其中，第一拟合曲线是以横坐标为自变量，以纵坐标为因变量生成的函数曲线。
D14、如果Dy>Dx，以纵坐标为自变量，横坐标为因变量进行高次多项式拟合，将两条替换后的轮廓上的轮廓点代入第二拟合曲线函数，计算得到最终的血管轮廓点。其中，第二拟合曲线是以纵坐标为自变量，横坐标为因变量生成的函数曲线。
示例性的，根据得到的二次修正后的血管轮廓，取轮廓中点计算得到新的中心线，计算轮廓的X轴方向上的跨度Dx和Y轴方向上的跨度Dy。如果Dx>Dy，则以横坐标为自变量，纵坐标为因变量进行高次多项式拟合，根据原轮廓与中心线的距离l寻找中心线与第一拟合曲线的交点作为最终的血管轮廓点；如果Dy>Dx，则以纵坐标为自变量，横坐标为因变量进行高次多项式拟合，按照上述方式得到最终的血管轮廓点，得到最终的血管轮廓，参见图18所示。本申请中图2-图18中采用图像坐标系来标示像素坐标。
本申请实施例中，在原始图像中检索轮廓点周围的Sobel梯度最大点并将其作为血管边缘，并在更新后还原由于背景干扰导致优化失败的轮廓点。同时运用边缘对轮廓点进行二次优化，并在小范围内检索最大Sobel梯度，从而消除背景对轮廓提取的影响，使得轮廓更贴近原始图像上的真实血管边缘。最后运用多项式拟合使轮廓更平滑，并使两侧的轮廓点相对应，便于后续的血管数据计算。通过以上步骤，可以根据原始冠脉图像和标记点，实现包括图像处理、中心线提取、血管分割、轮廓提取、轮廓优化与修正的功能，最后得到标记段血管的边缘轮廓。不仅消除了原始图像背景干扰，优化轮廓提升贴合率的效果，而且使最终得到的轮廓更加平滑和整齐。可见，本申请提供的血管图像的轮廓提取方法，以实际应用角度出发，将算法控制在完全的自动化的流程下，在得到输入的血管图像和标记点后，全程无需人工干预或其他操作即可自动完成。且经过算法自动优化，提取得到的血管轮廓准确率高，无需进行二次人工修正。
本申请的实施例提供一种血管图像的轮廓提取装置，该血管图像的轮廓提取装置可以用于实现图1对应的实施例提供的一种血管图像的轮廓提取方法，参照图19所示，该血管图像的轮廓提取装置300包括：
获取模块301，用于获取血管图像的两个图像矩阵和标记点矩阵；
处理模块302，用于基于两个图像矩阵，从血管图像中分割出血管树图像，并获取血管树图像的灰度图；
处理模块302，用于基于血管树图像的灰度图和标记点矩阵，得到标记段血管的中心线；其中，标记段血管的中心线上包括标记点矩阵中包含的起点和终点；
处理模块302，用于基于标记段血管的中心线对血管树图像的灰度图进行二值化分割，得到血管与背景分割后的标记段血管灰度图；
处理模块302，用于以中心线上各点为原点确定各点对应的两个第一法向量上，与标记段血管灰度图的边缘的交点为初始轮廓点，并基于初始轮廓点构建标记段血管的轮廓。
本申请一些实施例中，处理模块302，用于将初始轮廓点相连得到标记段血管的两条初始轮廓；在血管图像的基础上，以初始轮廓中各轮廓点为起点，以第一法向量上的单位法向量为步长，计算第一法向量方向上n个有效点的梯度；其中，n为正整数；将各轮廓点在两个第一法向量上的最大梯度点作为新的轮廓点，得到两条修正后的轮廓。
本申请一些实施例中，获取模块301，用于获取两条修正后的轮廓中各点到两条初始轮廓中对应点的对侧点之间的距离；
处理模块302，用于若距离超出距离阈值，将两条修正后的轮廓中超出距离阈值的点替换为两条初始轮廓中的对应点，得到优化后的两条修正后的轮廓。
本申请一些实施例中，处理模块302，用于基于血管树图像，提取血管的边缘图像；以优化后的两条修正后的轮廓中各轮廓点为起点，以各轮廓点对应的第二法向量上的单位法向量为步长，检索第二法向量上m个有效点是否为边缘图像中的血管边缘；其中，m为正整数；若检索到的m个有效点为边缘图像中的血管边缘，用检索到的m个有效点替换优化后的两条修正后的轮廓中对应的各轮廓点，得到两条替换后的轮廓。
本申请一些实施例中，处理模块302，用于提取两条替换后的轮廓的新的中心线；获取两条替换后的轮廓的X轴方向上的跨度Dx和Y轴方向上的跨度Dy；若Dx>Dy，以横坐标为自变量，以纵坐标为因变量进行高次多项式拟合，将两条替换后的轮廓上的轮廓点代入第一拟合曲线函数，计算得到最终的血管轮廓点；如果Dy>Dx，以纵坐标为自变量，横坐标为因变量进行高次多项式拟合，将两条替换后的轮廓上的轮廓点代入第二拟合曲线函数，计算得到最终的血管轮廓点。
本申请一些实施例中，处理模块302，用于对两个图像矩阵进行滤波处理，得到滤波后的图像矩阵；对滤波后的图像矩阵进行锐化处理，得到血管树图像。
本申请一些实施例中，处理模块302，用于血管树图像表征为img1，img1＝(logI(K·img))g；其中，K为锐化矩阵，I为对比度调整系数，g为亮度调整系数。
本申请实施例提供的血管图像的轮廓提取装置，通过获取血管图像的两个图像矩阵和标记点矩阵；基于两个图像矩阵，从血管图像中分割出血管树图像，并获取血管树图像的灰度图；基于血管树图像的灰度图和标记点矩阵，得到标记段血管的中心线；其中，标记段血管的中心线上包括标记点矩阵中包含的起点和终点；基于标记段血管的中心线对血管树图像的灰度图进行二值化分割，得到血管与背景分割后的标记段血管灰度图；以中心线上各点为原点确定各点对应的两个第一法向量上，与标记段血管灰度图的边缘的交点为初始轮廓点，并基于初始轮廓点构建标记段血管的轮廓；也就是说，本申请提供的血管图像的轮廓提取方法以血管树图像的灰度图为基础，即从实际场景出发，对标记段血管和背景进行分割，消除背景干扰，如此，使得到的血管轮廓更加贴合真实血管边缘。
本申请的实施例提供一种血管图像的轮廓提取设备，图20所示的血管图像的轮廓提取设备400包括：处理器401、存储器402和通信总线403，其中：
通信总线403用于实现处理器401和存储器402之间的通信连接。
处理器401用于执行存储器402中存储的血管图像的轮廓提取程序，以实现如下步骤：
获取血管图像的两个图像矩阵和标记点矩阵；
基于两个图像矩阵，从血管图像中分割出血管树图像，并获取血管树图像的灰度图；
基于血管树图像的灰度图和标记点矩阵，得到标记段血管的中心线；其中，标记段血管的中心线上包括标记点矩阵中包含的起点和终点；
基于标记段血管的中心线对血管树图像的灰度图进行二值化分割，得到血管与背景分割后的标记段血管灰度图；
以中心线上各点为原点确定各点对应的两个第一法向量上，与标记段血管灰度图的边缘的交点为初始轮廓点，并基于初始轮廓点构建标记段血管的轮廓。
本申请实施例中，处理器401用于执行存储器402中存储的血管图像的轮廓提取程序，以实现如下步骤：
将初始轮廓点相连得到标记段血管的两条初始轮廓；
在血管图像的基础上，以初始轮廓中各轮廓点为起点，以第一法向量上的单位法向量为步长，计算第一法向量方向上n个有效点的梯度；其中，n为正整数；
将各轮廓点在两个第一法向量上的最大梯度点作为新的轮廓点，得到两条修正后的轮廓。
本申请实施例中，处理器401用于执行存储器402中存储的血管图像的轮廓提取程序，以实现如下步骤：
获取两条修正后的轮廓中各点到两条初始轮廓中对应点的对侧点之间的距离；
若距离超出距离阈值，将两条修正后的轮廓中超出距离阈值的点替换为两条初始轮廓中的对应点，得到优化后的两条修正后的轮廓。
本申请实施例中，处理器401用于执行存储器402中存储的血管图像的轮廓提取程序，以实现如下步骤：
基于血管树图像，提取血管的边缘图像；
以优化后的两条修正后的轮廓中各轮廓点为起点，以各轮廓点对应的第二法向量上的单位法向量为步长，检索第二法向量上m个有效点是否为边缘图像中的血管边缘；其中，m为正整数；
若检索到的m个有效点为边缘图像中的血管边缘，用检索到的m个有效点替换优化后的两条修正后的轮廓中对应的各轮廓点，得到两条替换后的轮廓。
本申请实施例中，处理器401用于执行存储器402中存储的血管图像的轮廓提取程序，以实现如下步骤：
提取两条替换后的轮廓的新的中心线；
获取两条替换后的轮廓的X轴方向上的跨度Dx和Y轴方向上的跨度Dy；
若Dx>Dy，以横坐标为自变量，以纵坐标为因变量进行高次多项式拟合，将两条替换后的轮廓上的轮廓点代入第一拟合曲线函数，计算得到最终的血管轮廓点；
如果Dy>Dx，以纵坐标为自变量，横坐标为因变量进行高次多项式拟合，将两条替换后的轮廓上的轮廓点代入第二拟合曲线函数，计算得到最终的血管轮廓点。
本申请实施例中，处理器401用于执行存储器402中存储的血管图像的轮廓提取程序，以实现如下步骤：
对两个图像矩阵进行滤波处理，得到滤波后的图像矩阵；
对滤波后的图像矩阵进行锐化处理，得到血管树图像。
本申请实施例中，处理器401用于执行存储器402中存储的血管图像的轮廓提取程序，以实现如下步骤：
血管树图像表征为img1，img1＝(logI(K·img))g；
其中，K为锐化矩阵，I为对比度调整系数，g为亮度调整系数。
其中，处理器可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。
本申请实施例提供的血管图像的轮廓提取设备，通过获取血管图像的两个图像矩阵和标记点矩阵；基于两个图像矩阵，从血管图像中分割出血管树图像，并获取血管树图像的灰度图；基于血管树图像的灰度图和标记点矩阵，得到标记段血管的中心线；其中，标记段血管的中心线上包括标记点矩阵中包含的起点和终点；基于标记段血管的中心线对血管树图像的灰度图进行二值化分割，得到血管与背景分割后的标记段血管灰度图；以中心线上各点为原点确定各点对应的两个第一法向量上，与标记段血管灰度图的边缘的交点为初始轮廓点，并基于初始轮廓点构建标记段血管的轮廓；也就是说，本申请提供的血管图像的轮廓提取方法以血管树图像的灰度图为基础，即从实际场景出发，对标记段血管和背景进行分割，消除背景干扰，如此，使得到的血管轮廓更加贴合真实血管边缘。
需要说明的是，本实施例中处理器所执行的步骤的具体实现过程，可以参照图1对应的实施例提供的血管图像的轮廓提取方法中的实现过程，此处不再赘述。
本申请实施例装置的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果，因此不做赘述。对于本装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
本申请实施例提供一种存储有可执行指令的存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的方法，例如，如图1示出的方法。
本申请实施例提供的存储介质，通过获取血管图像的两个图像矩阵和标记点矩阵；基于两个图像矩阵，从血管图像中分割出血管树图像，并获取血管树图像的灰度图；基于血管树图像的灰度图和标记点矩阵，得到标记段血管的中心线；其中，标记段血管的中心线上包括标记点矩阵中包含的起点和终点；基于标记段血管的中心线对血管树图像的灰度图进行二值化分割，得到血管与背景分割后的标记段血管灰度图；以中心线上各点为原点确定各点对应的两个第一法向量上，与标记段血管灰度图的边缘的交点为初始轮廓点，并基于初始轮廓点构建标记段血管的轮廓；也就是说，本申请提供的血管图像的轮廓提取方法以血管树图像的灰度图为基础，即从实际场景出发，对标记段血管和背景进行分割，消除背景干扰，如此，使得到的血管轮廓更加贴合真实血管边缘。
在一些实施例中，存储介质可以是计算机可读存储介质，例如，铁电存储器(FRAM，Ferromagnetic Random Access Memory)、只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read Only Memory)、带电可擦可编程只读存储器(EEPROM，Electrically Erasable Programmable Read Only Memory)、闪存、磁表面存储器、光盘、或光盘只读存储器(CD-ROM，Compact Disk-Read Only Memory)等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(超文本标记语言，Hyper Text Markup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。

Claims (10)

1.一种血管图像的轮廓提取方法，其特征在于，所述方法包括：
获取血管图像的两个图像矩阵和标记点矩阵；
基于所述两个图像矩阵，从所述血管图像中分割出血管树图像，并获取所述血管树图像的灰度图；
基于所述血管树图像的灰度图和所述标记点矩阵，得到标记段血管的中心线；其中，所述标记段血管的中心线上包括所述标记点矩阵中包含的起点和终点；
基于所述标记段血管的中心线对所述血管树图像的灰度图进行二值化分割，得到血管与背景分割后的标记段血管灰度图；
以所述中心线上各点为原点确定各点对应的两个第一法向量上，与所述标记段血管灰度图的边缘的交点为初始轮廓点，并基于所述初始轮廓点构建所述标记段血管的轮廓。
2.根据权利要求1所述的方法，其特征在于，所述基于所述初始轮廓点构建所述标记段血管的轮廓，包括：
将所述初始轮廓点相连得到所述标记段血管的两条初始轮廓；
在所述血管图像的基础上，以所述初始轮廓中各轮廓点为起点，以所述第一法向量上的单位法向量为步长，计算所述第一法向量方向上n个有效点的梯度；其中，所述n为正整数；
将所述各轮廓点在两个所述第一法向量上的最大梯度点作为新的轮廓点，得到两条修正后的轮廓。
3.根据权利要求2所述的方法，其特征在于，所述得到两条修正后的轮廓之后，所述方法包括：
获取所述两条修正后的轮廓中各点到所述两条初始轮廓中对应点的对侧点之间的距离；
若所述距离超出距离阈值，将所述两条修正后的轮廓中超出所述距离阈值的点替换为所述两条初始轮廓中的对应点，得到优化后的两条修正后的轮廓。
4.根据权利要求3所述的方法，其特征在于，所述得到优化后的两条修正后的轮廓之后，所述方法包括：
基于所述血管树图像，提取血管的边缘图像；
以所述优化后的两条修正后的轮廓中各轮廓点为起点，以各轮廓点对应的第二法向量上的单位法向量为步长，检索所述第二法向量上m个有效点是否为所述边缘图像中的血管边缘；其中，所述m为正整数；
若检索到的所述m个有效点为所述边缘图像中的血管边缘，用检索到的所述m个有效点替换所述优化后的两条修正后的轮廓中对应的各轮廓点，得到两条替换后的轮廓。
5.根据权利要求4所述的方法，其特征在于，所述得到两条替换后的轮廓之后，所述方法包括：
提取所述两条替换后的轮廓的新的中心线；
获取所述两条替换后的轮廓的X轴方向上的跨度Dx和Y轴方向上的跨度Dy；
若所述Dx>所述Dy，以横坐标为自变量，以纵坐标为因变量进行高次多项式拟合，将所述两条替换后的轮廓上的轮廓点代入第一拟合曲线函数，计算得到最终的血管轮廓点；
若所述Dy>所述Dx，以纵坐标为自变量，横坐标为因变量进行高次多项式拟合，将所述两条替换后的轮廓上的轮廓点代入第二拟合曲线函数，计算得到最终的血管轮廓点。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述基于所述两个图像矩阵，从所述血管图像中分割出血管树图像，包括：
对所述两个图像矩阵进行滤波处理，得到滤波后的图像矩阵；
对所述滤波后的图像矩阵进行锐化处理，得到所述血管树图像。
7.根据权利要求6所述的方法，其特征在于，所述对所述滤波后的图像矩阵进行锐化处理，得到所述血管树图像，包括：
所述血管树图像表征为img1，img1＝(logI(K·img))g；
其中，K为锐化矩阵，I为对比度调整系数，g为亮度调整系数。
8.一种血管图像的轮廓提取装置，其特征在于，所述装置包括：
获取模块，用于获取血管图像的两个图像矩阵和标记点矩阵；
处理模块，用于基于所述两个图像矩阵，从所述血管图像中分割出血管树图像，并获取所述血管树图像的灰度图；
所述处理模块，用于基于所述血管树图像的灰度图和所述标记点矩阵，得到标记段血管的中心线；其中，所述标记段血管的中心线上包括所述标记点矩阵中包含的起点和终点；
所述处理模块，用于基于所述标记段血管的中心线对所述血管树图像的灰度图进行二值化分割，得到血管与背景分割后的标记段血管灰度图；
所述处理模块，用于以所述中心线上各点为原点确定各点对应的两个第一法向量上，与所述标记段血管灰度图的边缘的交点为初始轮廓点，并基于所述初始轮廓点构建所述标记段血管的轮廓。
9.一种血管图像的轮廓提取设备，其特征在于，所述血管图像的轮廓提取设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令，实现如权利要求1至7中任一项所述的血管图像的轮廓提取方法。
10.一种存储介质，其特征在于，存储有可执行指令，当所述可执行指令被执行时，用于引起处理器执行权利要求1至7中任一项所述的血管图像的轮廓提取方法。
CN202211332117.0A 2022-10-28 2022-10-28 血管图像的轮廓提取方法、装置、设备及存储介质 Pending CN115546185A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211332117.0A CN115546185A (zh) 2022-10-28 2022-10-28 血管图像的轮廓提取方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211332117.0A CN115546185A (zh) 2022-10-28 2022-10-28 血管图像的轮廓提取方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115546185A true CN115546185A (zh) 2022-12-30

Family

ID=84717751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211332117.0A Pending CN115546185A (zh) 2022-10-28 2022-10-28 血管图像的轮廓提取方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115546185A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115965750A (zh) * 2023-03-16 2023-04-14 深圳微创踪影医疗装备有限公司 血管重建方法、装置、计算机设备和可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115965750A (zh) * 2023-03-16 2023-04-14 深圳微创踪影医疗装备有限公司 血管重建方法、装置、计算机设备和可读存储介质

Similar Documents

Publication Publication Date Title
CN111723860B (zh) 一种目标检测方法及装置
CN110706246B (zh) 一种血管图像分割方法、装置、电子设备和存储介质
CN113313234A (zh) 用于图像分割的神经网络系统和方法
CN110599505A (zh) 一种器官图像分割方法、装置、电子设备和存储介质
CN111768411B (zh) 冠脉中心线提取方法、装置、计算机设备和存储介质
CN108154519A (zh) 眼底图像中血管的分割方法、装置及存储介质
CN110516541B (zh) 文本定位方法、装置、计算机可读存储介质和计算机设备
CN112184888A (zh) 三维血管建模的方法及装置
CN112308846B (zh) 血管分割方法、装置及电子设备
WO2021136368A1 (zh) 钼靶图像中胸大肌区域自动检测方法及装置
Zotin et al. Techniques for medical images processing using shearlet transform and color coding
CN113808251B (zh) 一种基于语义分割的稠密重建的方法、系统、装置和介质
CN113160189A (zh) 血管中心线提取方法、装置、设备及存储介质
CN111738045A (zh) 一种图像检测方法、装置、电子设备及存储介质
CN111915657A (zh) 一种点云配准方法、装置、电子设备及存储介质
Dagar et al. Edge detection technique using binary particle swarm optimization
CN115546185A (zh) 血管图像的轮廓提取方法、装置、设备及存储介质
CN113034497A (zh) 一种基于视觉的保温杯焊缝定位检测方法及系统
CN113256670A (zh) 图像处理方法及装置、网络模型的训练方法及装置
CN111260564A (zh) 一种图像处理方法和装置及计算机存储介质
CN113744171B (zh) 血管钙化图像分割方法、系统和可读存储介质
CN108447066B (zh) 胆道图像分割方法、终端、存储介质
Rani A novel mathematical morphology based edge detection method for medical images
CN114037719B (zh) 骨骼区域确定方法、装置、电子设备及存储介质
CN114693671B (zh) 基于深度学习的肺结节半自动分割方法、装置、设备及介质

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