CN115908611A - 一种基于物质分离的cta黑血成像的方法 - Google Patents
一种基于物质分离的cta黑血成像的方法 Download PDFInfo
- Publication number
- CN115908611A CN115908611A CN202211449359.8A CN202211449359A CN115908611A CN 115908611 A CN115908611 A CN 115908611A CN 202211449359 A CN202211449359 A CN 202211449359A CN 115908611 A CN115908611 A CN 115908611A
- Authority
- CN
- China
- Prior art keywords
- blood
- image
- roi
- cta
- gray
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于物质分离的CTA黑血成像的方法。它包括如下步骤,步骤一:获取人体血管CT增强的若干图像;获取n张空间已配准的参考医学图像,构成物质分布的n维灰度空间;步骤二:在步骤一中图像的血管内勾画感兴趣区域ROI,提取图像上的血液信息;步骤三:对两个不同等级能量的图像和ROI,利用灰度空间分布找出跟ROI区域没有统计学差异的成分进行压制;步骤四:得到所对应目标压制的黑血图像,凸显血管壁情况。本发明具有能抑制血液信号消除血管搏动伪影、减低检查费用、缩短检查时间的优点。
Description
技术领域
本发明涉及医学图像处理技术领域,具体涉及一种基于物质分离的CTA黑血成像的方法。
背景技术
相关的研究表明,高血压、动脉粥样硬化中风等心血管疾病的发生与动脉僵硬存在重要的联系。原因是随着动脉管壁的弹性降低,动脉存储血液的顺应性减弱,从而造成血压增加,增加心血管疾病发生的风险。因此,评价动脉管壁特性,对于相关的心血管疾病的预防、监测以及治疗,都具有重要的临床意义。
临床上,主要使用计算机体层摄影血管成像(Computed topographyangiography,CTA)技术研究人体血管管壁特性。但是,传统的CTA成像不能区分血管内外管壁,因此不能提供准确的血管壁信息,对于血管壁的微小病变容易漏诊、误诊。因此,黑血成像技术在凸显血管壁信息方面具有显著的优越性。CTA黑血成像技术是指CT血管成像过程中抑制血流强度,使得所得图像中血液呈现黑色低密度,从而凸显血管壁的技术。
目前,黑血成像仅能通过磁共振成像实现,其主要原理是通过“流空效应”,使高速流动的血液成“黑色信号”,凸显管壁情况,在动脉病变、斑块成像等方面具有巨大的优势。但是在磁共振成像中,很多大血管会产生搏动,导致一些血管搏动伪影。所以,如果能抑制血液信号,则可以消除这些伪影。然而,人体中血流情况非常复杂,单纯采用流空效应,有时候并不能完全保证血液流空信号百分之百被抑制,且无法对流速缓慢的中小血管进行黑血成像。此外,由于磁共振扫描时间长,在紧急情况下需要优先选择CTA扫描评估血管情况,故在急诊检查时,无法进行黑血成像,导致医师对于血管壁的微小病变容易漏诊、误诊。
因此,开发一种基于CT的黑血技术,从而抑制血液信号消除血管搏动伪影、减低检查费用、广泛用于全身血管、缩短检查时间的“黑血”成像很有必要。
发明内容
本发明的目的是为了提供一种基于物质分离的CTA黑血成像的方法,抑制血液信号、消除血管搏动伪影,减低检查费用,缩短检查时间(相对于MR检查方法,本发明CT检查时间大大缩短,可以用于急诊血管),增加适用性(本发明不仅适用于评估心脏壁、动脉壁病变,还能适用于流速缓慢的中小血管的评估,适用于对全身血管的评估)。
为了实现上述目的,本发明的技术方案为:一种基于物质分离的CTA黑血成像的方法,其不同之处在于:包括如下步骤,
步骤一:获取人体血管CT增强的若干图像;
获取n张(n≥1)空间已配准的参考医学图像(指能谱CT的血管造影图像),构成物质分布的n维灰度空间;本步骤用于获得扫描的原始CTA图像;
步骤二:在步骤一中图像的血管内勾画感兴趣区域ROI,提取步骤一的图像上的血液信息;提取的血液信息主要是血液的密度值(CT值,HU)的范围信息;本步骤用于在目标血管勾画ROI,获得ROI的nii格式文件,在下一步和原始的CTA图像nii格式一起导入黑血软件中(此软件为发明内容),从而输出黑血图像;
步骤三:对两个不同等级能量的图像和ROI,利用灰度空间分布找出跟ROI区域没有统计学差异的成分进行压制;人体内不同器官组织在CT上显示为不同的密度,本发明利用血液和血管壁之间的密度差异,压制血液中高密度,凸显较低密度的血管壁,从而可以利于医师更细致的评估血管壁病变;本发明利用两个不同等级能量的图像获得完整的能谱CT信息;
步骤四:得到所对应目标压制的黑血图像,凸显血管壁情况;本发明中的黑血图像可以更好的凸显血管壁,从而可以利于医师更细致的评估血管壁病变,对于临床的诊断意义重大。
在上述技术方案中,在步骤一中,空间一配准的图像包括不同能级的图像(任意不同能级的图像即可,能谱CT扫描的图像可以生成很多能级的图像(40-100kev),选取两个常见的即可,比如55kev和100kev)。
在上述技术方案中,在步骤一中,获取人体血管CT增强的若干图像的具体方法为:
S1.1:使用能谱或者双能CT机采集增强后的医学图像(增强后的医学图像可以为一个,也可以为多个);
S1.2:对所有的参考图像(即步骤一中获取的n张(n>=1)空间已配准的参考医学图像)进行配准,使得两者(即不同能级的图像)的组织分布逐像素对应。
在上述技术方案中,在步骤二中,在目标血管内勾画感兴趣区域ROI,获取跟上述参考医学图像(即步骤一中的参考医学图像)空间一致的ROI文件,确定需要分离的物质。
在上述技术方案中,在步骤三中,使用高斯混合模型(gaussian mixture model,GMM)方法对物质分布的n维灰度空间进行区分,同时参考ROI文件区域的物质灰度信息确定其所在类别,最后计算得到灰度空间内每一点属于该类的概率;
得到灰度空间内每一点属于该类的概率的具体方法为:
S31:从经验上对该医学图像内的组分数目进行估计,作为GMM模型的参数;
S32:根据已有ROI,提取这个区域内的灰度分布,然后带入GMM模型得到这个ROI区域物质属于哪一类;用GMM模型计算所有灰度属于这一类的概率。
在上述技术方案中,在步骤三中,通过设置经验阈值alpha,保留灰度空间内属于ROI同类概率大于alpha的点在现实空间中的信息。
在上述技术方案中,在步骤四中,获得待压制血液成分的展示医学图像,并带入步骤三获得的空间信息,对这些空间的体素点(体素点指的是医学图像数据在空间分布上的最小单位)的灰度进行处理(比如放缩平移等;或采用一些压制函数如开平方根函数,指数函数等),使得与步骤二中ROI的成分相近的体素的灰度变暗压制,从而凸显出有统计学意义的组织边界信息,获得压制后的CTA黑血图像;
具体方法为:
S4.1:获得步骤三的空间信息后,得到该类体素点的空间坐标,即医学图像灰度矩阵的索引下标;
S4.2:基于上述下标,对这些下标的体素点的灰度进行混合运算,混合运算包括加减运算,加上一个较大的bias(bias这个偏差值可以自主给定,不是固定值,用户可以根据需求自设,可以改成加上一个正的bias是变量,而加上一个负值bias则是压制)将该类物质的灰度变亮,减去bias实现黑血压制,和/或还可以乘以一个scale参数放大这部分物质的灰度。
在上述技术方案中,在S4.2中,混合运算还包括乘除运算;
对这些下标的体素点的灰度乘以一个scale参数实现放大这部分物质的灰度。
对这些下标的体素点的灰度除以一个scale参数,可以压制该物质的灰度,
公式如下:y=(x-bias)*scale+bias
其中,y是新的灰度,x是原始的灰度。
CTA是否就是CT(Computed tomography angiography)血管成像。
上述*表示数学符号乘号。
本发明的黑血软件包括图像选择模块、ROI文件选择模块、切片模块(包括冠状、矢状、横切等切片方式选择模块,切片位置选择模块和递增层数选择模块)、压制参数控制模块、计算成图模块、显示图像模块和保存压制结果模块;图像选择模块用于选择二个不同能级的已经配置的图像导入;以及选择其中一个能级的图像作为最后的参考图像;
ROI文件选择模块用于选择导入的ROI文件;
切片模块用于选择目标的切片方式、切片位置进而递增层数;
压制参数控制模块用于调节目标的黑血压制参数,通过抑制血液信号,突显心腔壁或管壁,计算、形成黑血图像,以及调整黑血目标图像显示参数。
本发明的黑血软件的使用方法,包括如下步骤:
步骤S51:找到文件所在位置,双击应用程序,打开黑血软件;
步骤S52:在黑血软件界面中,点击“图像选择模块”,导入2个不同能级的已经配置的图像;
步骤S53:点击“参考图像选择模块”,选择上一步(步骤S52)中任一能级的图像作为最后的参考图像;
步骤S54:在ROI文件选择模块中选择导入的ROI文件;
步骤S55:上述图像和ROI文件导入完成后,开启切片模式;
步骤S56:主界面显示上述步骤处理好的黑血图像;
步骤S57:图像位置通过“切片位置”调整,图像灰度通过“窗宽、窗位”调整,灰度压制程度通过“压制参数”调整。
本发明基于物质分离的CTA黑血成像的方法的原理是:
利用人体不同组织有不同灰度空间分布特点,抑制血管腔中的血流强度,所得图像中血液呈现黑色低密度,血管壁呈高密度,达到管腔内血液和血管壁“分离”的目的,以便肉眼更好的评估血管壁情况,防止血管壁微小病变漏检、误检等情况。
其中的物质是指用于人体不同灰度分布的组织,这里特指血液和血管壁。
本发明具有如下优点:
本发明开创了基于CTA的黑血成像的新方法,通过抑制血液信号,突显心腔壁或管壁,提供高水平的腔内解剖细节,更好的评估心脏壁、动脉壁病变;不仅能够克服目前磁共振黑血成像的缺陷,而且能够极大地减低检查费用,缩短检查时间(本发明为CT后处理软件,做完CT检查后将图像导入本发明后处理软件中处理,得到黑血图像;本发明采用CT检查的扫描时间小于MR(CT检查耗时小于1分钟/次,MR检查耗时半个小时以上/次),检查费用也低于MR(本发明采用CT检查的扫描费用比MR低1000元左右/次),具有很高的临床应用价值。
附图说明
图1为本发明的二维灰度空间的示意图。
图2为本发明的工艺流程图。
图3为本发明实施例1中的腹主动脉黑血成像(冠状位),图3A为原始CTA图像,图3B压制后的“黑血”图像。
图4为本发明实施例2中的主动脉壁成像图。
图5为本发明黑血软件的文件夹。
图6为本发明黑血软件界面的截图。
图7为本发明黑血软件操作时选择二个不同能级的已经配置的图像导入的窗口图。
图8为本发明黑血软件操作时选择其中一个能级的图像作为最后的参考图像的操作界面局部图。
图9为本发明黑血软件操作时导入ROI文件的操作界面局部图。
图10为本发明黑血软件操作时开启切片模块的操作界面局部图。
图11为本发明黑血软件的操作流程图。
在图1中,横坐标表示在第一个能级下两种组分在灰度方向的分布;纵坐标表示在第二个能级下两种组分在灰度方向的分布;从图1可以看出:在原始图像上,血管壁和血液密度接近不好区分,不利于医生评估对于血管壁的细微病变(即,单独从任何一个能级看,这两种组分的灰度分布都是比较连续的,不利于区分两者(即同一个能级下两种组分));由于本发明把血液信号压制了,血管壁同时凸显出来(黑血图像可以通过压制血管腔内血液,只留下血管壁的影像),因此,本发明方法能对同一个能级下两种组分进行很好的区分。
在图3中,3A是CTA成像的原始的图像,显示腹主动脉,从图3A可以看出:血管造影时,血管壁与管腔内血液同时强化,血管壁和血液是相同的密度,对血管壁显示不佳,评估血管壁能力受限,无法单独评估血管壁情况;3B是在3A原始的图像的基础上采用本发明方法处理后形成的黑血图像,从图3B可以看出:图3A中的血管密度(血液)已经被压制下去了,只留下血管壁,血管壁被凸显出来,利于医师更好的评估血管壁病变。
图3中箭头所指方向为目标动脉。
图4中箭头所指方向为目标动脉。
具体实施方式
下面结合附图详细说明本发明的实施情况,但它们并不构成对本发明的限定,仅作举例而已。同时通过说明使本发明的优点更加清楚和容易理解。
本发明首先采用高斯混合模型(gaussian mixture model,GMM,图1)对物质分布的n维灰度空间进行区分,同时参考ROI文件区域的物质灰度信息确定其所在类别,最后计算得到灰度空间内每一点属于该类的概率。然后,通过设置经验阈值alpha(比如0.95),保留灰度空间内属于ROI同类概率大于alpha的点在现实空间中的信息。将需要压制血液成分的医学图像已获得的空间信息,对这些空间的体素点的灰度进行处理(比如放缩平移等),使得与目标ROI的成分相近的体素的灰度高亮或者变暗压制,从而凸显出有统计学意义的组织边界信息。
参阅附图可知:一种基于物质分离的CTA黑血成像的方法,首先在对象血管内勾画感兴趣区域(ROI),从而提取血液信息;其次,对两个不同等级能量的图像和ROI,利用灰度空间分布对与ROI区域没有统计学差异的成分进行压制,得到所对应、目标压制的黑血图像,凸显血管壁情况;
具体方法,包括如下步骤,
步骤一:获取人体血管CT增强的若干图像;
获取n张(n≥1)空间已配准的参考医学图像(以下以常见的光谱CTA的2个能级图像为例),构成物质分布的n维灰度空间;
步骤二:在血管内勾画感兴趣区域ROI,提取血液信息;
步骤三:对两个不同等级能量的图像和ROI,利用灰度空间分布找出跟ROI区域没有统计学差异的成分进行压制;
步骤四:得到所对应目标压制的黑血图像,凸显血管壁情况。DICOM(医学图像的专用图片格式)重建图像上存在不同灰度空间的分布。每一个像素的灰度均代表不同器官组织的基本信息。血管内的造影剂形成高CT值后,与周围的血管壁灰度差异较大。通过获得去血管内血流ROI信息,本发明利用灰度空间分布找出跟ROI区域没有统计学差异的成分进行压制,得到所对应、目标压制的黑血图像,凸显血管壁情况,从而更有利医师评估的管壁粥样硬化斑块、壁内血肿或肿瘤侵犯血管壁等情况。
进一步地,在步骤一中,空间配准的图像包括低能图像和高能图像。
进一步地,在步骤一中,获取人体血管CT增强的若干图像的具体方法为:
S1.1:使用CT机采集所需处理的医学图像;
S1.2:对所有的参考图像进行配准,使得两者的组织分布逐像素对应。
进一步地,在步骤二中,在目标血管内勾画感兴趣区域ROI,获取跟上述参考医学图像空间一致的ROI文件,确定需要分离的物质。
进一步地,在步骤三中,使用高斯混合模型(gaussian mixture model,GMM)方法对物质分布的n维灰度空间进行区分,同时参考ROI文件区域的物质灰度信息确定其所在类别,最后计算得到灰度空间内每一点属于该类的概率;
得到灰度空间内每一点属于该类的概率的具体方法为:
S31:从经验上对该医学图像内的组分数目进行估计(对于光谱CT,一般可选64),作为GMM模型的参数,也即,把n维灰度空间的分布划分成64个不同的物质成分,完成物质分离。
S32:根据已有ROI,提取这个区域内的灰度分布,然后带入GMM模型得到这个ROI区域物质属于哪一类;用GMM模型计算所有灰度属于这一类的概率,如图1所示。
进一步地,在步骤三中,通过设置经验阈值alpha(比如0.95),保留灰度空间内属于ROI同类概率大于alpha的点在现实空间中的信息。
进一步地,在步骤四中,获得待压制血液成分的展示医学图像,并带入步骤三获得的空间信息,对这些空间的体素点的灰度进行预处理(比如放缩平移等),使得与步骤二中ROI的成分相近的体素的灰度变暗压制,从而凸显出有统计学意义的组织边界信息,获得压制后的CTA黑血图像(图3);
具体方法为:
S4.1:获得步骤三的空间信息后,得到该类体素点的空间坐标,即医学图像灰度矩阵的索引下标;
S4.2:基于上述下标,对这些下标的体素点的灰度进行混合运算,混合运算包括加减运算,加上一个较大的bias将该类物质的灰度变亮,减去bias实现黑血压制,和/或还可以乘以一个scale参数放大这部分物质的灰度。
进一步地,在S4.2中,混合运算还包括乘除运算;
对这些下标的体素点的灰度乘以一个scale参数实现放大这部分物质的灰度。
实施例1
本实施例采用本发明方法对某正常志愿者的腹主动脉(冠状位)进行黑血成像,具体方法如下:
步骤一:如图5、图6所示,打开黑血软件,获取某正常志愿者的腹主动脉CT增强的若干图像(如图3中的A图所示,从图3A可以看出:血管造影时,血管壁与管腔内血液同时强化,血管壁和血液是相同的密度,对血管壁显示不佳,评估血管壁能力受限,无法单独评估血管壁情况);
获取2张空间已配准的参考医学图像(指能谱CT的血管造影图像),构成物质分布的2维灰度空间,获得扫描的原始CTA图像;
S1.1:使用能谱CT机采集增强后的医学图像,增强后的医学图像可以为一个;
S1.2:对所有的参考图像(即步骤一中获取的2张空间已配准的参考医学图像)进行配准,使得两者(即不同能级的图像)的组织分布逐像素对应。
步骤二:在步骤一中图像的血管内勾画感兴趣区域ROI,获取跟上述参考医学图像(即步骤一中的参考医学图像)空间一致的ROI文件,确定需要分离的物质,提取步骤一的图像上的血液信息;
步骤三:如图7所示,首先选择2个不同能级的已经配置的图像导入(在test data文件中),然后,选择其中一个能级的图像作为最后的参考图像,如图8所示;最后导入ROI文件,如图9所示;
对两个不同等级能量的图像和ROI,利用灰度空间分布找出跟ROI区域没有统计学差异的成分进行压制;
S31:从经验上对该医学图像内的组分数目进行估计,作为GMM模型的参数;
S32:根据已有ROI,提取这个区域内的灰度分布,然后带入GMM模型得到这个ROI区域物质属于哪一类;用GMM模型计算所有灰度属于这一类的概率;
通过设置经验阈值alpha,保留灰度空间内属于ROI同类概率大于alpha的点在现实空间中的信息。
步骤四:如图10所示,开启切片模块,进入切片观察模式,得到目标血管的黑血图像,如图3B所示,得到所对应目标压制的黑血图像,凸显血管壁情况。
S4.1:获得步骤三的空间信息后,得到该类体素点的空间坐标,即医学图像灰度矩阵的索引下标;
S4.2:基于上述下标,对这些下标的体素点的灰度进行混合运算,混合运算包括加减运算,加上一个较大的bias将该类物质的灰度变亮,减去bias实现黑血压制。
结论:本实施例采用本发明方法对原始CTA图像压制后获得的黑血图像(冠状位)如图3中的B图所示,从图3B可以看出:图3A中的血管密度(血液)已经被压制下去了,只留下血管壁,血管壁被凸显出来,利于医师更好的评估血管壁病变。可见,本实施例采用本发明方法获得的黑血图像可以更好的显示正常动脉壁情况。
实施例2
本实施例采用本发明方法对某壁内血肿患者的胸主动脉(横轴位)进行黑血成像,具体方法同实施例1;不同之处在于:在步骤一中,获取该壁内血肿患者胸主动脉CT增强的若干图像(如图4中的A图所示,血管造影时,管壁和管腔密度较高,壁内血肿病变显示不佳,医师容易漏诊);
本实施例获取2组空间已配准的医学图像(指能谱CT的血管造影图像),构成物质分布的3维灰度空间。
结论:本实施例采用本发明方法对原始CTA图像压制后获得的黑血图像(冠状位)如图4中的B图所示,从图4B可以看出:图4A中的管腔内血液已经被压制下去了,只留下血管壁,因此血管壁和壁内血肿病变显示更佳,利于病变的检出,帮忙医师更好的评估血管壁病变。可见,本实施例采用本发明方法获得的黑血图像可以更好的显示壁内血肿病变情况,防止因管壁和管腔密度相同或相似而不能区分血管内外管壁,不能提供准确的血管壁信息,对于血管壁的微小病变容易漏诊、误诊的缺陷。
需要指出的是,本发明中所描述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种各样的修改或补充或采用类似的方式替代(比如用k近邻KNN方法等替代物质鉴别),但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。
其它未说明的部分均属于现有技术。
Claims (8)
1.一种基于物质分离的CTA黑血成像的方法,其特征在于:包括如下步骤,
步骤一:获取人体血管CT增强的若干图像;
获取n张空间已配准的参考医学图像,其中,n≥1,构成物质分布的n维灰度空间;
步骤二:在步骤一中图像的血管内勾画感兴趣区域ROI,提取图像上的血液信息;
步骤三:对两个不同等级能量的图像和ROI,利用灰度空间分布找出跟ROI区域没有统计学差异的成分进行压制;
步骤四:得到所对应目标压制的黑血图像,凸显血管壁情况。
2.根据权利要求1所述的基于物质分离的CTA黑血成像的方法,其特征在于:在步骤一中,空间配准的图像包括不同能级的图像。
3.根据权利要求2所述的基于物质分离的CTA黑血成像的方法,其特征在于:在步骤一中,获取人体血管CT增强的若干图像的具体方法为:
S1.1:使用能谱或者双能CT机采集增强后的医学图像;
S1.2:对所有的参考图像进行配准,使得配准的两者的组织分布逐像素对应。
4.根据权利要求3所述的基于物质分离的CTA黑血成像的方法,其特征在于:在步骤二中,在目标血管内勾画感兴趣区域ROI,获取跟上述参考医学图像空间一致的ROI文件,确定需要分离的物质。
5.根据权利要求4所述的基于物质分离的CTA黑血成像的方法,其特征在于:在步骤三中,使用高斯混合模型方法对物质分布的n维灰度空间进行区分,同时参考ROI文件区域的物质灰度信息确定其所在类别,最后计算得到灰度空间内每一点属于该类的概率;
S3.1:从经验上对该医学图像内的组分数目进行估计,作为GMM模型的参数;
S3.2:根据已有ROI,提取这个区域内的灰度分布,然后带入GMM模型得到这个ROI区域物质属于哪一类;用GMM模型计算所有灰度属于这一类的概率。
6.根据权利要求5所述的基于物质分离的CTA黑血成像的方法,其特征在于:在步骤三中,通过设置经验阈值alpha,保留灰度空间内属于ROI同类概率大于alpha的点在现实空间中的信息。
7.根据权利要求6所述的基于物质分离的CTA黑血成像的方法,其特征在于:在步骤四中,获得待压制血液成分的展示医学图像,并带入步骤三获得的空间信息,对这些空间的体素点的灰度进行处理,使得与步骤二中ROI的成分相近的体素的灰度变暗压制,从而凸显出有统计学意义的组织边界信息,获得压制后的CTA黑血图像;
具体方法为:
S4.1:获得步骤三的空间信息后,得到该类体素点的空间坐标,即医学图像灰度矩阵的索引下标;
S4.2:基于上述下标,对这些下标的体素点的灰度进行混合运算,混合运算包括加减运算,加上一个较大的bias将该类物质的灰度变亮,减去bias实现黑血压制。
8.根据权利要求7所述的基于物质分离的CTA黑血成像的方法,其特征在于:在S4.2中,混合运算还包括乘除运算;
对这些下标的体素点的灰度乘以一个scale参数实现放大这部分物质的灰度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211449359.8A CN115908611A (zh) | 2022-11-18 | 2022-11-18 | 一种基于物质分离的cta黑血成像的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211449359.8A CN115908611A (zh) | 2022-11-18 | 2022-11-18 | 一种基于物质分离的cta黑血成像的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115908611A true CN115908611A (zh) | 2023-04-04 |
Family
ID=86490695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211449359.8A Pending CN115908611A (zh) | 2022-11-18 | 2022-11-18 | 一种基于物质分离的cta黑血成像的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908611A (zh) |
-
2022
- 2022-11-18 CN CN202211449359.8A patent/CN115908611A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230033594A1 (en) | System and method for image-based object modeling using multiple image acquisitions or reconstructions | |
CN101626726B (zh) | 医学成像中病灶的识别与分析 | |
US7567696B2 (en) | System and method for detecting the aortic valve using a model-based segmentation technique | |
US7599542B2 (en) | System and method for detection and display of diseases and abnormalities using confidence imaging | |
US9514530B2 (en) | Systems and methods for image-based object modeling using multiple image acquisitions or reconstructions | |
CN111539930A (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
CN111768343A (zh) | 用于促进检查肝脏肿瘤病例的系统和方法 | |
CN107527341A (zh) | 血管造影图像的处理方法和系统 | |
CN111368827A (zh) | 医学图像处理方法、装置、计算机设备及存储介质 | |
US8848998B1 (en) | Automated method for contrast media arrival detection for dynamic contrast enhanced MRI | |
CN115908611A (zh) | 一种基于物质分离的cta黑血成像的方法 | |
CN108877922A (zh) | 病变程度判断系统及其方法 | |
US20170178338A1 (en) | Identification and analysis of lesions in medical imaging | |
He et al. | Automated plaque and stenosis characterization using attention-based deep learning network on coronary CT angiography images | |
Gomalavalli et al. | Boundary detection of renal using contour segmentation | |
EP4336452A1 (en) | Computer-implemented method for processing spectral computed tomography (spectral ct) data, computer program and spectral ct system | |
AU2008210277B2 (en) | Identification and analysis of lesions in medical imaging | |
Zeng et al. | Research on thyroid CT image segmentation based on U-shaped convolutional neural network | |
CN116977322A (zh) | 一种胸部ct图像肺结节微小血管定量分析方法和装置 | |
CN117274202A (zh) | 一种基于双期增强计算机断层扫描图像的Delta深度学习影像组学方法 | |
CN116883589A (zh) | 一种基于人工智能算法的血管造影影像重构方法 | |
CN114529770A (zh) | 胰腺增强ct图像分类方法、电子设备、介质及系统 | |
Hirsch | Automatic breast lesion examination of DCE-MRI data based on Fourier analysis | |
Alacam et al. | Ultrasound RF Echo Modeling and Tumor Morphology |
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 |