CN115578396A - 一种血管图像提取方法、装置、电子设备和可读存储介质 - Google Patents

一种血管图像提取方法、装置、电子设备和可读存储介质 Download PDF

Info

Publication number
CN115578396A
CN115578396A CN202110686412.5A CN202110686412A CN115578396A CN 115578396 A CN115578396 A CN 115578396A CN 202110686412 A CN202110686412 A CN 202110686412A CN 115578396 A CN115578396 A CN 115578396A
Authority
CN
China
Prior art keywords
blood vessel
image
region
physiological tissue
interest
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
Application number
CN202110686412.5A
Other languages
English (en)
Other versions
CN115578396B (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 Beijing Network 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 Beijing Network Technology Co Ltd filed Critical Shukun Beijing Network Technology Co Ltd
Priority to CN202110686412.5A priority Critical patent/CN115578396B/zh
Publication of CN115578396A publication Critical patent/CN115578396A/zh
Application granted granted Critical
Publication of CN115578396B publication Critical patent/CN115578396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本方案公开了一种血管图像提取方法、装置、电子设备和可读存储介质，其中，该方法的步骤包括：对获取得到的目标生理组织图像中血管的关键特征信息进行标记；基于所述关键特征信息，构建感兴趣区；根据感兴趣区在目标生理组织图像中的位置，调用对应所述位置的血管分割模型，提取目标生理组织图像中的血管图像。本方案能够利用关键特征信息构建感兴趣区，利用感兴趣区快速锁定血管在图像中的位置，利用对应的分割模型，提取出密集或形状复杂的血管图像，从而提升血管图像提取的准确性和提取效率。

Description

一种血管图像提取方法、装置、电子设备和可读存储介质
技术领域
本申请涉及通信技术领域，具体涉及一种血管图像提取方法、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。
AI图像处理结果对后处理医生来说非常节省时间，也会让病人更早拿到诊断报告，临床价值较高。但是，在AI图像处理过程中，经常会遇到生理组织自动提取失败的问题。例如，由于器官、骨骼等生理组织结构的复杂性，或者，显影剂不足等问题，导致血管提取的难度大幅度提高，容易出现漏提、错提等问题。
发明内容
本发明的目的在于提供一种血管图像提取方法、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图像提取方法，该方法的步骤包括：
对获取得到的目标生理组织图像中血管的关键特征信息进行标记；
基于所述关键特征信息，构建感兴趣区；
根据感兴趣区在目标生理组织图像中的位置，调用对应所述位置的血管分割模型，提取目标生理组织图像中的血管图像。
在一种优选地实例中，该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中的一种或多种。
在一种优选地实例中，该所述对获取得到的目标生理组织图像中血管的关键特征信息进行标记的步骤包括：
利用关键特征信息标记模型，对获取得到的目标生理组织图像中血管的关键特征信息进行标记。
在一种优选地实例中，该所述关键特征信息标记模型是以生理组织图像为输入，以关键特征信息为训练目标，通过深度学习网络模型经多次训练获得的标记模型。
在一种优选地实例中，该所述基于所述关键特征信息，构建感兴趣区的步骤包括：
以同一血管支路上的关键特征信息作为区域边界，形成预定范围的区域；或者，以位于同一血管层级的关键特征信息作为区域边界，形成预定范围的区域；
或者，以关键特征信息为基准，利用凸包算法形成凸包区域，此凸包区域即为感兴趣区。
在一种优选地实例中，该所述根据感兴趣区在目标生理组织图像中的位置，调用对应所述位置的血管分割模型，提取目标生理组织图像中的血管图像的步骤包括：
确定感兴趣区所在位置对应目标生理组织图像中的生理组织结构；
调用对应所述生理组织结构的血管分割模型，提取目标生理组织图像中的血管图像。
在一种优选地实例中，该所述血管分割模型为利用深度学习神经网络模型，针对不同血管类型预先训练完成的分割模型。
第二方面，本方案提供一种血管图像提取装置，包括：
标记模块，对获取得到的目标生理组织图像中血管的关键特征信息进行标记；
构建模块，基于所述关键特征信息，构建感兴趣区；
提取模块，根据感兴趣区在目标生理组织图像中的位置，调用对应所述位置的血管分割模型，提取目标生理组织图像中的血管图像。
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构建感兴趣区，利用感兴趣区快速锁定血管在图像中的位置，利用对应的分割模型，提取出密集或形状复杂的血管图像，从而提升血管图像提取的准确性和提取效率。
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示出本方案所述目标生理组织图像的一种实例的示意图；
图2示出本方案所述血管图像提取方法的一种实例的示意图；
图3示出方案所述标记目标生理组织图像中关键特征信息的一种实例的示意图；
图4本方案所述构建感兴趣区的一种实例的示意图；
图5示出本方案所述构建感兴趣区的另一种实例的示意图；
图6示出本方案所述构建感兴趣区的再一种实例的示意图；
图7示出本方案所述血管图像提取装置的示意图；
图8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，由于人体生理组织结构的复杂性，会增加对血管提取的难度，极易造成漏提取、错提取等问题，造成血管的提取准确性降低，从而影响医生对病灶的诊疗。现有技术通常是直接利用骨的掩膜对血管进行分割，这种方式，如图1所示，对于血管轮廓清晰，数量不多的情况可以适用。但是，如果遇到血管比较密集，血管形状较为复杂的情况，则会由于骨骼、器官等生理组织结构的影响无法完成分割，或分割错误率很高的问题。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。
因此，本方案旨在提供一种血管图像提取方法，利用关键特征信息构建感兴趣区(ROI)，根据ROI所在的位置，选取对应的分割模型对血管进行分割，更加有针对性的对复杂血管结构进行提取，从而提高分割的准确性。
以下，结合附图对本方案提出的一种血管图像提取方法进行详细描述。
如图2所示，本方案所述血管图像提取方法的具体步骤包括：
步骤S1、对获取得到的目标生理组织图像中血管的关键特征信息进行标记；
步骤S2、基于所述关键特征信息，构建感兴趣区；
步骤S3、根据感兴趣区在目标生理组织图像中的位置，调用对应所述位置的血管分割模型，提取目标生理组织图像中的血管图像。
本方案中，目标生理组织图像可以是通过计算机断层摄影(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，对人体进行医学扫描，获得生理组织的医学影像。然后，根据需要选取其中的一张或多张作为用作后续图像处理的待识别目标生理组织图像。图像中通常可以包含血管、骨骼、器官等生理组织结构。
本方案在步骤S1中，需要在目标生理组织图像中对关键特征信息进行标记，利用关键特征信息能够初步了解血管的分布情况、血管的类型等基础信息。具体来说，可以利用关键特征信息标记模型，在目标生理组织图像中标记血管的关键分叉点、血管段的端点、能够表征血管生理特性的生理特征识别点等关键特征信息。
在一种实例中，以生理组织图像为输入，以关键分叉点、血管段的端点、血管的大曲率拐点、能够表征血管生理特性的生理特征识别点等关键特征信息为训练目标，利用U-net网络、V-net网络等深度学习神经网络模型经多次训练，得到关键特征信息标记模型。如图3所示，利用关键特征信息标记模型，在目标生理组织图像中将关键分叉点、血管段的端点、能够表征血管生理特性的生理特征识别点标记出来。
本方案在步骤S2中，以关键特征信息为基础，构建感兴趣区，利用感兴趣区锁定血管所在位置，从而挑选合适的跟分割模型对血管图像进行提取。
具体来说，可以将位于同一条血管上的关键特征信息作为区域边界形成锁定框。将锁定框覆盖的范围作为感兴趣区，来确定该部分血管所处位置。在一种实例中，如图4所示，以主动脉上的关键分叉点B1和一级血管分支上的关节分叉点B2作为区域边界，形成一个矩形的锁定框，并将其作为感兴趣区。
具体来说，也可以利用由一条主动脉分叉形成的多个条血管分支上的关键特征信息，作为区域边界形成一定范围的区域，并将其覆盖的范围作为感兴趣区，来确定该部分血管所处位置。在一种实例中，如图5所示，将两条血管支路上的三级血管分支上的关键分叉点A3和关键分叉点B3作为区域边界，形成一个椭圆形的锁定框，并将其作为感兴趣区。
具体来说，还可以以关键特征信息为基准，利用凸包算法形成凸包区域，并将其覆盖的区域作为感兴趣区，来确定该部分血管所处位置。在另一种实例中，如图6所示，利用第一路血管分支中的二级血管分支关键分叉点A2和三级血管分支关键分叉点A3；第二路血管分支中的二级血管分支关键分叉点B2和三级血管分支关键分叉点B3；以及，第三路血管分支中的二级血管分支关键分叉点C2和三级血管分支关键分叉点C3,这些关键特征信息为基准，利用凸包算法形成凸包区域，并将其作为感兴趣区。
本方案在步骤S3中，利用感兴趣区和先验信息，确定感兴趣区覆盖的血管位于人体的具体部位。根据不同的部位，调用对应的分割模型来提取目标生理组织图像中的血管图像。其中，先验信息包括通过组织分割模型从目标生理组织图像中分割出来的器官、骨骼等生理组织结构的图像信息。
具体来说，在获得目标生理组织图像的同时，利用预先训练好的组织分割模型，将目标生理组织图像中的器官、骨骼等生理组织结构分割出来，作为识别感兴趣区位置的基准。例如，根据感兴趣区覆盖的范围，能够确定其对应的生理组织结构为头颈骨，则调用头颈骨血管分割模型，对目标生理组织图像中的感兴趣区覆盖范围内的血管图像进行提取。再例如，根据感兴趣区覆盖的范围，能够确定其对应的生理组织结构为脑组织，则调用脑组织血管分割模型，对目标生理组织图像中的感兴趣区覆盖范围内的血管图像进行提取。
上述方案中提及的组织分割模型和血管分割模型，均可以利用现有技术中常用的U-net分割网络、V-net分割网络等深度学习神经网络模型训练获得。在训练过程中，以生理组织图像为输入，以骨骼、器官、不同部位的血管结构为训练目标，通过多次训练，得到分割模型。
本方案能够利用关键特征信息构建感兴趣区，利用感兴趣区快速锁定血管在图像中的位置，利用对应的分割模型，提取出密集或形状复杂的血管图像，从而提升血管图像提取的准确性和提取效率。
如图7所示，本方案进一步提供了配合上述血管图像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和命名模块103。该装置在工作时，获取模块102获取待识别目标生理组织图像；然后，利用命名模块103根据待识别目标生理组织图像中血管的关键特征信息或血管段分割模型，对血管进行分段命名，获得血管的分段命名信息。通过对血管段的分段命名，能够更加准确的识别处特殊区域的血管图像，方便后续对病灶的诊断。
本方案中，可以进一步通过该装置中设置的生成模块104，基于利用血管的分段命名信息，从待识别目标生理组织图像中提取的预定区间段的血管图像，生成血管后处理图像。
本方案中，获取模块102获取的待识别目标生理组织图像可以是通过计算机断层摄影(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，对人体进行医学扫描，获得生理组织的医学影像，以此作为原始图像。
本方案中，命名模块103利用二分类算法等分割算法，从待识别目标生理组织图像中将血管图像分割出来。然后，再采用K3M算法和Zhang-Suen algorithm算法等骨架算法，提取血管中心线点集。选取目标生理组织附近血管对应的关键特征信息，将其与血管中心线点集中的中心线点进行匹配，并将匹配成功的中心线点作为关键节点，利用这些关键节点对血管进行分段，每个血管段之间的名称可以用关键节点的名称或代号表示，以此方式，完成对血管的分段命名。
本方案中，生成模块104根据用户的需求，利用血管分段命名信息，截取需要的血管段图像。然后，通过图像后处理技术，生成曲面图像CPR、拉直图像、多平面重建图像MPR、探针图像(血管切面图)、最大密度投影MIP、VR图像等多种类型的后处理图像。
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。
在上述血管图像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图像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)。
在上述血管图像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8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8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 (10)

1.一种血管图像提取方法，其特征在于，该方法的步骤包括：
对获取得到的目标生理组织图像中血管的关键特征信息进行标记；
基于所述关键特征信息，构建感兴趣区；
根据感兴趣区在目标生理组织图像中的位置，调用对应所述位置的血管分割模型，提取目标生理组织图像中的血管图像。
2.根据权利要求1所述的血管图像提取方法，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中的一种或多种。
3.根据权利要求1或2所述的血管图像提取方法，其特征在于，所述对获取得到的目标生理组织图像中血管的关键特征信息进行标记的步骤包括：
利用关键特征信息标记模型，对获取得到的目标生理组织图像中血管的关键特征信息进行标记。
4.根据权利要求3所述的血管图像提取方法，其特征在于，所述关键特征信息标记模型是以生理组织图像为输入，以关键特征信息为训练目标，通过深度学习网络模型经多次训练获得的标记模型。
5.根据权利要求1或2所述的血管图像提取方法，其特征在于，所述基于所述关键特征信息，构建感兴趣区的步骤包括：
以同一血管支路上的关键特征信息作为区域边界，形成预定范围的区域；或者，以位于同一血管层级的关键特征信息作为区域边界，形成预定范围的区域；
或者，以关键特征信息为基准，利用凸包算法形成凸包区域，此凸包区域即为感兴趣区。
6.根据权利要求1所述的血管图像提取方法，其特征在于，所述根据感兴趣区在目标生理组织图像中的位置，调用对应所述位置的血管分割模型，提取目标生理组织图像中的血管图像的步骤包括：
确定感兴趣区所在位置对应目标生理组织图像中的生理组织结构；
调用对应所述生理组织结构的血管分割模型，提取目标生理组织图像中的血管图像。
7.根据权利要求1所述的血管图像提取方法，其特征在于，所述血管分割模型为利用深度学习神经网络模型，针对不同血管类型预先训练完成的分割模型。
8.一种血管图像提取装置，其特征在于，包括：
标记模块，对获取得到的目标生理组织图像中血管的关键特征信息进行标记；
构建模块，基于所述关键特征信息，构建感兴趣区；
提取模块，根据感兴趣区所在位置，调用对应所述位置的血管分割模型，提取目标生理组织图像中的血管图像。
9.一种计算机存储介质，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1-7任一项所述的方法。
10.一种计算设备，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1-7任一项所述的方法。
CN202110686412.5A 2021-06-21 2021-06-21 一种血管图像提取方法、装置、电子设备和可读存储介质 Active CN115578396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110686412.5A CN115578396B (zh) 2021-06-21 2021-06-21 一种血管图像提取方法、装置、电子设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110686412.5A CN115578396B (zh) 2021-06-21 2021-06-21 一种血管图像提取方法、装置、电子设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN115578396A true CN115578396A (zh) 2023-01-06
CN115578396B CN115578396B (zh) 2023-08-04

Family

ID=84579736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110686412.5A Active CN115578396B (zh) 2021-06-21 2021-06-21 一种血管图像提取方法、装置、电子设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN115578396B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080188962A1 (en) * 2007-02-05 2008-08-07 General Electric Company Vascular image extraction and labeling system and method
CN101425140A (zh) * 2008-11-13 2009-05-06 苏州大学 基于骨架特征的脑血管瘤图像识别检测方法
CN105474234A (zh) * 2015-11-24 2016-04-06 厦门中控生物识别信息技术有限公司 一种掌静脉识别的方法和掌静脉识别装置
CN109741344A (zh) * 2018-12-28 2019-05-10 上海联影智能医疗科技有限公司 血管分割方法、装置、医疗影像设备及存储介质
CN111161270A (zh) * 2019-12-24 2020-05-15 上海联影智能医疗科技有限公司 医学影像的血管分割方法、计算机设备和可读存储介质
CN111861999A (zh) * 2020-06-24 2020-10-30 北京百度网讯科技有限公司 动静脉交叉压迫征的检测方法、装置、电子设备及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080188962A1 (en) * 2007-02-05 2008-08-07 General Electric Company Vascular image extraction and labeling system and method
CN101425140A (zh) * 2008-11-13 2009-05-06 苏州大学 基于骨架特征的脑血管瘤图像识别检测方法
CN105474234A (zh) * 2015-11-24 2016-04-06 厦门中控生物识别信息技术有限公司 一种掌静脉识别的方法和掌静脉识别装置
CN109741344A (zh) * 2018-12-28 2019-05-10 上海联影智能医疗科技有限公司 血管分割方法、装置、医疗影像设备及存储介质
CN111161270A (zh) * 2019-12-24 2020-05-15 上海联影智能医疗科技有限公司 医学影像的血管分割方法、计算机设备和可读存储介质
CN111861999A (zh) * 2020-06-24 2020-10-30 北京百度网讯科技有限公司 动静脉交叉压迫征的检测方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN115578396B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
US11816837B2 (en) Vascular characteristic determination with correspondence modeling of a vascular tree
US20200342589A1 (en) Malignancy assessment for tumors
JP2020503603A (ja) 解剖学的画像処理における確率的セグメンテーションのためのシステム及び方法
Yang et al. Automatic coronary calcium scoring using noncontrast and contrast CT images
US20130243287A1 (en) Longitudinal monitoring of pathology
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
CN115994902A (zh) 医学图像分析方法、电子设备及存储介质
JP2008519639A (ja) 医療画像レジストレーションに対する装置及び方法
CN114066969A (zh) 一种医学图像分析方法以及相关产品
CN114937100A (zh) 一种冠状动脉路径图的生成方法、装置、可读存储介质
Singh et al. Attention-guided residual W-Net for supervised cardiac magnetic resonance imaging segmentation
WO2023125969A1 (en) Systems and methods for bypass vessel reconstruction
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
Wang et al. Avdnet: Joint coronary artery and vein segmentation with topological consistency
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
CN114119578B (zh) 一种图像处理方法、装置、计算机设备及存储介质
US20220039769A1 (en) Method, device, and system for determining abnormality in myocardium region
US11537826B2 (en) Determining a processing sequence for processing an image
Gharleghi et al. Computed tomography coronary angiogram images, annotations and associated data of normal and diseased arteries
CN115511773B (zh) 一种血管中心线提取方法、装置、设备和可读存储介质
CN115482181B (zh) 一种图像信息提取方法、装置、电子设备和可读存储介质
Brown et al. Extensible knowledge-based architecture for segmenting CT data
CN115482246B (zh) 一种图像信息提取方法、装置、电子设备和可读存储介质
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
Allgöwer et al. Liver Tumor Segmentation Using Classical Algorithms & Deep Learning

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: 20230713

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