CN115578484A - 一种血管图像处理方法、装置、电子设备和可读存储介质 - Google Patents
一种血管图像处理方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN115578484A CN115578484A CN202110684178.2A CN202110684178A CN115578484A CN 115578484 A CN115578484 A CN 115578484A CN 202110684178 A CN202110684178 A CN 202110684178A CN 115578484 A CN115578484 A CN 115578484A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- naming
- image
- information
- key
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本方案公开了一种血管图像处理方法、装置、电子设备和可读存储介质,其中,该方法的步骤包括:获取待识别目标生理组织图像;根据待识别目标生理组织图像中血管的关键特征信息,对血管进行分段命名,获得血管的分段命名信息。本方案通过利用关键特征信息与血管中心线的结合对血管进行分段命名,从而提高血管分段命名的准确性和命名效率。
Description
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处理方法、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。
在医学头像后处理系统中,需要先对待诊断部位的血管进行提取,再得到该部位的血管图像,当前的图像处理主要是依靠人工或自动对图像进行处理,然而,人工处理方法十分耗时耗力,且诊断效率不高;而自动化图像处理虽然能降低人工的处理时间,提高诊断效率,但由于血管直径较小且分布非常复杂,血管旁边的骨头很多,且提取时还会受到造影剂量等因素的影响,导致血管提取难度非常高,非常容易提取漏、错等,因此经常会碰到自动提取失败的情况。
因此,当前图像处理方法存在血管提取难度较大且准确性不高的技术问题,需要改进。
发明内容
本发明的目的在于提供一种血管图像处理方法、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处理方法,该方法的步骤包括:
获取待识别目标生理组织图像;
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。
在一种优选地实例中,该方法的步骤还包括:
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。
在一种优选地实例中,所述待识别目标生理组织图像中血管的关键特征信息,对血管进行分段命名,获得血管的分段命名信息的步骤包括:
提取待识别目标生理组织图像中血管的中心线点集;
将中心线点集中与血管的关键特征信息进行匹配,获取匹配成功的中心线点作为关键节点;
根据关键节点对血管进行分段命名,获得血管的分段命名信息。
在一种优选地实例中,所述提取待识别目标生理组织图像中血管的中心线点集的后一步骤包括:
在提取的血管中心线存在断裂的情况下,对血管中心线进行修复。
在一种优选地实例中,所述在提取的血管中心线存在断裂的情况下,对血管中心线进行修复的步骤包括:
若血管中心线断裂的位置跨越关键特征信息,则利用关键特征信息对血管中心线进行修复;
若血管中心线断裂的位置未跨越关键特征信息,则利用断裂修复算法对血管中心线进行修复。
在一种优选地实例中,所述关键特征信息包括:血管关键分叉点、血管端点和生理特征识别点中的一种或多种。
在一种优选地实例中,所述将中心线点集中与血管的关键特征信息进行匹配,获取匹配成功的中心线点作为关键节点的步骤包括:
将中心线点集中,与关键特征信息距离最近的中心线点作为关键节点,并将关键特征点的名称更新为匹配成功的关键特征信息的名称。
在一种优选地实例中,所述根据血管段分割模型,对血管进行分段命名,获得血管的分段命名信息的步骤包括:
基于利用深度学习神经网络构建的血管段分割模型,对待识别目标生理组织图像中的血管进行分割,获得血管的分段命名信息。
第二方面,本方案提供一种血管图像处理装置,包括:
获取模块,获取待识别目标生理组织图像;
命名模块,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。
在一种优选地实例中,该装置还包括:生成模块,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。
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:
本方案通过利用关键特征信息与血管中心线的结合对血管进行分段命名,从而提高血管分段命名的准确性和命名效率;
本方案采用血管段分割模型对血管分段命名,能够有效提高分段命名的效率;
本方案能够通过血管分段命名信息,自定义提取预定区间段的血管图像,从而降低后续图像的处理压力,提升血管后处理图像的生成速度。
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图像处理方法的一种实例的示意图;
图2示出本方案所述血管中心线点与关键特征信息匹配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修复血管中心线的一种实例的示意图;
图4示出本方案所述血管分段命名信息的一种实例的示意图;
图5示出本方案所述血管图像处理装置的示意图;
图6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,往往会影响医生对病灶的诊疗。例如,由于头颈部结构的复杂性,会形成willis环、虹吸、前后循环等特殊的血管区域,这些血管区域很难从图像中提取出来,给医生诊疗带来了极大的不便。现有技术中,通常采用单独的分割模型对特殊的血管区域进行提取,但是,由于血管周边的骨骼、器官等组织的影响,加之血管本身的复杂性,会导致分割误差较大,尤其是遇到多分叉、血管重叠等问题时,单独的分割模型将无法完成对血管的分割提取,更加无法根据医生的需要,进行特征血管段的提取。
因此,本方案旨在提供一种血管图像处理方法,通过关键特征信息与血管中心线的结合快速、准确度的对血管进行分段命名;或者,直接利用血管段分割模型对血管进行分段命名。然后,通过血管分段命名信息,自定义提取预定区间段的血管图像,从而方便医生快速、准确的获取特殊的血管区域。
以下,结合附图对本方案提出的一种血管图像处理方法进行详细描述。
如图1所示,本方案所述血管图像处理方法的具体步骤包括:
步骤S1、获取待识别目标生理组织图像;
步骤S2、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;
步骤S3、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。
本方案在步骤S1中,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。
以获取头颈部图像为例,利用CT设备对患者的头颈部区域进行扫描,得到医学扫描的多张初始图像。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、骨或相临近的器官。
本方案在步骤S2中,可以根据血管的关键特征信息对血管进行分段命名。具体来说,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。另外,也可以根据关键节点的名称,对血管段之间的其他中心线点进行命名,使得血管段的命名信息更加完整。
在一种实例中,如图2所示,关键特征信息可以选择关键分叉点、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。将这些点与中心线点集中的中心线点进行匹配。例如,有一个中心线点与关键分叉点的距离最近,那么可以将该中心线点作为表示分叉的关键节点,为了更加方便识别,可以将这个能够表示分叉的关键节点的名称直接命名为关键分叉点,也可以用字母、数字等代号表示。将所有关键特征信息与中心线点集中的中心线点匹配完毕后,即可确定中心线点集中重要的关键节点。并以此作为依据,对血管进行分段命名,得到血管不同区间段的命名信息。通过利用关键特征信息与血管中心线的结合对血管进行分段命名,从而提高血管分段命名的准确性和命名效率。
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,在待识别目标生理组织图像中确定关键特征信息的位置,以便通过待识别目标生理组织图像中关键特征信息的位置,结合血管中心线点集,对血管进行分段命名。
本方案在步骤S2中,为了提升血管分段命名的效率,可以利用血管段分割模型快速匹配血管区间段,同时对其命名。在一种实例中,可以利用U-net分割网络、V-net分割网络等深度学习神经网络模型,以多张标记好的血管分段图像作为输入,通过多次训练,形成血管段分割模型。利用血管段分割模型对待识别目标生理组织图像中的血管进行分割,同时,完成对各血管段的命名,从而获得血管的分段命名信息。本方案采用血管段分割模型对血管分段命名,能够有效提高分段命名的效率。
本方案中,可以单独利用血管中心线和关键特征信息的结合,对血管进行分段命名,由于引入了关键特征信息,能够有效提升对血管分段命名的准确性和分段命名效率。也可以单独利用血管段分割模型对血管进行快速分段命名。另外,上述两种方式还可以结合使用,相互验证和互补,从而形成对分段命名结果的修正。
本方案中,在血管中心线提取的过程中,可能由于分割模型的精度、血管所处位置等原因,可能会出现血管中心线出现断裂情况,导致中心线点集中缺少断裂部分的点,以使后续能够更加准确结合关键特征信息,对血管进行分段命名。具体来说,在血管中心线提取后,可以对血管中心线进行检测,判断是否存在断裂情况。若存在断裂,则需要对血管中心线进行修复。
在一种实例中,如图3所示,如果血管中心线断裂的位置跨越了关键特征信息所在的位置,此时,可以利用关键分叉点、血管端点、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,作为断裂处的中心线点,从而完成血管中心线断裂位置的修复。
在一种实例中,如果血管中心线断裂的位置未跨越关键特征信息所在的位置,此时,可以利用拟合算法、梯度相似算法、最短路径算法等修复算法,对断裂的血管中心线进行修复,从而补齐血管中心线断裂位置的中心线点。
本方案步骤3中,通过对血管的分段命名,能够清晰的区分不同的血管区间段,根据用户的需求,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。
如图4所示,通过血管分段命名,能够确定血管上的关键节点A1、C1、A3、A4等等。A1、A3、A4分别为特殊类型血管的端点,C1为关键分叉点。根据医生的选择,可以根据血管分段命名信息,提取出A1C1段的血管、A1A3段的血管、A3A4段的血管。然后,利用图像后处理技术,对提取的血管区间段进行处理,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。
因此,本方案能够通过血管分段命名信息,自定义提取预定区间段的血管图像,从而降低后续图像的处理压力,提升血管后处理图像的生成速度。
如图5所示,本方案进一步提供了配合上述血管图像处理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。
在上述血管图像处理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处理方法的程序产品,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)。
在上述血管图像处理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6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6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 (12)
1.一种血管图像处理方法,其特征在于,该方法的步骤包括:
获取待识别目标生理组织图像;
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。
2.根据权利要求1所述的血管图像处理方法,其特征在于,该方法的步骤还包括:
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。
3.根据权利要求1所述的血管图像处理方法,其特征在于,所述待识别目标生理组织图像中血管的关键特征信息,对血管进行分段命名,获得血管的分段命名信息的步骤包括:
提取待识别目标生理组织图像中血管的中心线点集;
将中心线点集中与血管的关键特征信息进行匹配,获取匹配成功的中心线点作为关键节点;
根据关键节点对血管进行分段命名,获得血管的分段命名信息。
4.根据权利要求3所述的血管图像处理方法,其特征在于,所述提取待识别目标生理组织图像中血管的中心线点集的后一步骤包括:
在提取的血管中心线存在断裂的情况下,对血管中心线进行修复。
5.根据权利要求4所述的血管图像处理方法,其特征在于,所述在提取的血管中心线存在断裂的情况下,对血管中心线进行修复的步骤包括:
若血管中心线断裂的位置跨越关键特征信息,则利用关键特征信息对血管中心线进行修复;
若血管中心线断裂的位置未跨越关键特征信息,则利用断裂修复算法对血管中心线进行修复。
6.根据权利要求3所述的血管图像处理方法,其特征在于,所述关键特征信息包括:血管关键分叉点、血管端点和生理特征识别点中的一种或多种。
7.根据权利要求3或6所述的血管图像处理方法,其特征在于,所述将中心线点集中与血管的关键特征信息进行匹配,获取匹配成功的中心线点作为关键节点的步骤包括:
将中心线点集中,与关键特征信息距离最近的中心线点作为关键节点,并将关键特征点的名称更新为匹配成功的关键特征信息的名称。
8.根据权利要求1所述的血管图像处理方法,其特征在于,所述根据血管段分割模型,对血管进行分段命名,获得血管的分段命名信息的步骤包括:
基于利用深度学习神经网络构建的血管段分割模型,对待识别目标生理组织图像中的血管进行分割,获得血管的分段命名信息。
9.一种血管图像处理装置,其特征在于,包括:
获取模块,获取待识别目标生理组织图像;
命名模块,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。
10.根据权利要求9所述的血管图像处理装置,其特征在于,该装置还包括:生成模块,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。
11.一种计算机存储介质,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1-8任一项所述的方法。
12.一种计算设备,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1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110684178.2A CN115578484A (zh) | 2021-06-21 | 2021-06-21 | 一种血管图像处理方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110684178.2A CN115578484A (zh) | 2021-06-21 | 2021-06-21 | 一种血管图像处理方法、装置、电子设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115578484A true CN115578484A (zh) | 2023-01-06 |
Family
ID=84578674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110684178.2A Pending CN115578484A (zh) | 2021-06-21 | 2021-06-21 | 一种血管图像处理方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578484A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150235360A1 (en) * | 2014-02-18 | 2015-08-20 | Siemens Aktiengesellschaft | Sparse Appearance Learning-based Segmentation |
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 |
CN111681226A (zh) * | 2020-06-09 | 2020-09-18 | 上海联影医疗科技有限公司 | 基于血管识别的目标组织定位方法和装置 |
CN112862759A (zh) * | 2021-01-19 | 2021-05-28 | 杭州深睿博联科技有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN112967284A (zh) * | 2021-04-30 | 2021-06-15 | 平安科技(深圳)有限公司 | 血管图像分段分析方法、装置、设备及存储介质 |
-
2021
- 2021-06-21 CN CN202110684178.2A patent/CN115578484A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150235360A1 (en) * | 2014-02-18 | 2015-08-20 | Siemens Aktiengesellschaft | Sparse Appearance Learning-based Segmentation |
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 |
CN111681226A (zh) * | 2020-06-09 | 2020-09-18 | 上海联影医疗科技有限公司 | 基于血管识别的目标组织定位方法和装置 |
CN112862759A (zh) * | 2021-01-19 | 2021-05-28 | 杭州深睿博联科技有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN112967284A (zh) * | 2021-04-30 | 2021-06-15 | 平安科技(深圳)有限公司 | 血管图像分段分析方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961491B (zh) | 多模态图像截断补偿方法、装置、计算机设备和介质 | |
US11322256B2 (en) | Automated labeling of images to train machine learning | |
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 | |
JP2019153250A (ja) | 医療文書作成支援装置、方法およびプログラム | |
CN112365980B (zh) | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 | |
JP7346553B2 (ja) | 深層学習を使用する3dデータセット内のオブジェクトの成長率の決定 | |
CN111640124B (zh) | 一种血管提取方法、装置、设备及存储介质 | |
US20190214138A1 (en) | Diagnosis support apparatus, diagnosis support system, and diagnosis support method | |
CN114066969B (zh) | 一种医学图像分析方法以及相关产品 | |
CN113269721B (zh) | 模型训练方法、装置、电子设备及存储介质 | |
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 | |
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 | |
US20230005580A1 (en) | Document creation support apparatus, method, and program | |
US9713504B2 (en) | Surgery assistance apparatus and method, and non-transitory recording medium having stored therein surgery assistance program | |
Tomczyk et al. | Cognitive hierarchical active partitions in distributed analysis of medical images | |
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 | |
CN115511773B (zh) | 一种血管中心线提取方法、装置、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 | |
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 | |
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 | |
CN113256564B (zh) | 医学影像中的导管参数提取方法及装置 | |
US20240193785A1 (en) | Medical image processing apparatus, hepatic segment division method, and program | |
CN115578554B (zh) | 一种血管病灶识别方法、装置、电子设备和可读存储介质 | |
CN113610840B (zh) | 图像处理方法、装置、存储介质及电子设备 |
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 |