CN116188457B - 冠脉造影骨架图的处理方法及处理系统 - Google Patents
冠脉造影骨架图的处理方法及处理系统 Download PDFInfo
- Publication number
- CN116188457B CN116188457B CN202310409533.4A CN202310409533A CN116188457B CN 116188457 B CN116188457 B CN 116188457B CN 202310409533 A CN202310409533 A CN 202310409533A CN 116188457 B CN116188457 B CN 116188457B
- Authority
- CN
- China
- Prior art keywords
- bifurcation
- blood vessel
- class
- bifurcation point
- connected domain
- 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
Links
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种冠脉造影骨架图的处理方法及处理系统,包括获取基于冠脉造影图像生成的骨架图;在骨架图中捕获所有端点及分叉点,输出所有端点、分叉点信息;在骨架图中根据分叉点信息,剔除分叉点像素群后,获取孤立的血管段;构建血管段模型,拾取所有孤立的血管段,获取血管段信息;利用获取的端点信息和血管段信息,按照预设标准对骨架图进行滤波,得到最终的冠脉造影骨架图。本申请改进了现有骨架图提取分叉结构的方法,对各种形态以及各种尺寸的分叉结构都能准确捕获并分离出来;对输出数据进行整合,使算法更为简洁,减少计算量,且运行效率高。
Description
技术领域
本发明涉及冠脉造影图像处理技术领域,尤其涉及一种冠脉造影骨架图的处理方法及处理系统。
背景技术
心血管相关疾病患病率逐年上升,是世界公认的最常见死因之一,其中冠心病的致死率极高,而诱发冠心病的主要因素是冠状动脉狭窄,它会严重影响心脏供血,严重威胁生命。目前冠心病诊断的金标准是冠状动脉造影术CAG(Coronary Arteriography)。
在处理和分析造影图像时,需要对涉及血管段的血管网进行分割,并对该分割出的血管网进行骨架提取或骨架生成(skeleton generation)的操作。通常生成的骨架图会被用来计算并获取该血管网的起止点(也称为端点)、分叉点、血管段等关键信息,进而服务于包括但不限于血管树建模、造影图像分析、造影融合等基于造影的各种图像处理技术。
但是不可忽略现有骨架图本身存在以下缺陷:
首先,心脏血管网结构比较复杂;血管分支之间常常纵横交错;隔膜、肋骨彼此交叠形成干扰,这三个因素常常会导致分割出的血管网非常复杂,不但存在诸多伪影,而且特别是在血管末稍处还存在很多细密且无意义的毛刺结构,大大增加了血管树分析的算法负担。
其次,对骨架图提取分叉点时,现在主流的对骨架图提取分叉点的技术是使用一定尺寸的模板对骨架图进行滤波匹配,捕获分叉点的中心。由于存在各种各样形态各异的分叉结构,因此该技术方法存在以下缺陷:
(1)算法提供的模板考虑不全,会漏掉一些分叉结构;
(2)算法提供的模板会将某一分叉结构匹配为多个相邻的分叉点,不但识别精度低,而且大大增加后期计算量,增加算法耗时;例如图1是一个四分叉的分叉结构,经由如图2所示的现有模板匹配,识别出了4个分叉结构,该识别结果既不准确,也会增加之后的运算量。
发明内容
因此,本发明的目的在于提供一种冠脉造影骨架图的处理方法,改变当前主流对骨架图提取分叉结构的方法,对各种形态以及各种尺寸的分叉结构准确捕获并分离出来,合理设置输出结果,简化整体算法。
本发明提出的一种冠脉造影骨架图的处理方法,包括以下步骤:
获取基于冠脉造影图像生成的骨架图;
在所述骨架图中捕获所有端点,输出所有端点信息;
在所述骨架图中捕获所有分叉点,输出所有分叉点信息;
在所述骨架图中根据所述分叉点信息,剔除分叉点像素群后,获取孤立的血管段;
构建血管段模型,拾取所有孤立的血管段,利用血管段模型获取血管段信息;
利用获取的所述端点信息和获取的血管段信息,按照预设标准对骨架图进行滤波,得到最终的冠脉造影骨架图。
进一步优选的,所述基于冠脉造影图像生成的骨架图;所述骨架图的生成过程包括以下步骤:根据冠脉造影图像生成血管网骨架图,对所述血管网骨架图进行连通域计算,提取最大连通域分量,形成简化骨架图。
进一步优选的,在所述骨架图或简化骨架图中捕获所有分叉点包括如下步骤:
S401、利用分叉点分类模板,在骨架图或简化骨架图中捕获所有分叉点,记做一类分叉点;
S402、将所有所述一类分叉点投射到与所述骨架图或简化骨架图尺寸相同的空矩阵中;
S403、对所述一类分叉点投射输出的矩阵图进行连通域统计计算;
S404、根据所述连通域统计计算的结果构建二类分叉点模型;
S405、利用二类分叉点模型描述二类分叉点,并将所有二类分叉点放入一个集合/列表输出,作为最终输出的分叉点信息。
进一步,在S403中,对一类分叉点投射输出的矩阵图进行连通域统计计算,包括对矩阵图按照8连通进行连通域统计,获取每一个连通域的中心位置以及每一个连通域的像素群集合。
进一步,在S404中,根据所述连通域统计计算的结果构建二类分叉点模型,包括:
将每个连通域的中心位置作为对应二类分叉点的中心坐标;
将每个连通域的像素群集合作为对应二类分叉点的像素群集合;
将每个连通域的每个像素点的8邻域的位点进行集合去重,再与连通域本身的像素群集合求差集,获得每个二类分叉点的所有邻接像素位置。
进一步,在S405中,利用二类分叉点模型描述二类分叉点,并将所有二类分叉点放入一个集合/列表输出,包括:
将每个二类分叉点的中心坐标、像素群集合、所有邻接像素位置整合在一起,形成每个二类分叉点的特征数组;
特征数组;
将所有特征数组放入一个集合/列表表示{,/>....../>}。其中,A,B....N表示不同的二类分叉点。
进一步优选的,所述按照预设标准对骨架图进行滤波时,包括:
当血管段信息满足预设标准时,判定为血管末梢处存在无意义毛刺,将其裁剪完成滤波;
所述预设标准包括:血管段信息中,血管段的像素群中包含端点且像素点数量小于设定的阈值。
进一步优选的,还包括,S8、利用S3得到的分叉点信息、S4得到的端点信息、S6得到的血管段信息构建血管树模型。
本发明还提供一种冠脉造影骨架图的处理系统,包括图像获取模块、骨架图简化模块、端点捕获模块、分叉点捕获模块、血管段获取模块、冠脉造影骨架图输出模块;
所述图像获取模块,用于获取基于冠脉造影图像生成的血管网骨架图;
所述端点捕获模块,用于在所述骨架图中捕获所有端点,输出所有端点信息;
所述分叉点捕获模块,用于在所述骨架图中捕获所有分叉点,输出所有分叉点信息;
血管段获取模块,用于在所述骨架图中根据所述分叉点信息,剔除分叉点像素群后,获取孤立的血管段;构建血管段模型,拾取所有孤立的血管段,利用血管段模型获取血管段信息;
所述冠脉造影骨架图输出模块,利用获取的所述端点信息和获取的血管段信息,按照预设标准对骨架图进行滤波,得到最终的冠脉造影骨架图。
进一步优选的,还包括骨架图简化模块,所述骨架图简化模块用于对基于冠脉造影图像生成的血管网骨架图进行连通域计算,提取最大连通域分量,形成简化骨架图;
所述分叉点捕获模块包括一类分叉点捕获单元和二类分叉点捕获单元;
所述一类分叉点捕获单元,利用分叉点分类模板,在简化骨架图中捕获所有分叉点,记做一类分叉点;
所述二类分叉点捕获单元,将所有所述一类分叉点投射到与所述简化骨架图尺寸相同的空矩阵中;对所述一类分叉点投射输出的矩阵图进行连通域统计计算;根据所述连通域统计计算的结果构建二类分叉点模型;利用二类分叉点模型描述二类分叉点,并将所有二类分叉点采用同一个集合输出,作为最终输出的分叉点信息。
进一步优选的,还包括血管树模型,所述血管树模型用于利用得到的分叉点信息、端点信息、血管段信息构建血管树。
本申请公开的冠脉造影骨架图的处理方法及处理系统,相比于现有技术,至少具有以下优点:
1、本发明提供的冠脉造影骨架图的处理方法,改进了当前主流对骨架图提取分叉结构的方法,对各种形态以及各种尺寸的分叉结构都能准确捕获并分离出来;输出的用来描述分叉结构的数据类型设置合理;算法整体结构简单且运行效率较高。
2、本发明提供的优化处理骨架图的算法能够有效减除骨架图上冠脉血管末稍处的毛刺以及造影帧上的各种伪影,不但使得骨架图更加清晰,而且能更加客观地表征冠脉血管的脉络走向以及拓扑结构。 本申请提供的骨架图处理方法中,通过对冠脉骨架图提取端点信息、分叉点信息,利用其生成血管段信息,形成了端点-分叉点-血管段,由点到线的信息整合,不仅能用来形成冠脉造影骨架图还可以为后续生成血管树模型打下坚实基础,有效提高了算法的执行效率,且简化后输出的信息还能够大大减轻后期算法的计算负担,服务于造影图像分析、造影融合等基于血管树模型和冠脉造影骨架图的多种图像处理技术。
附图说明
图1为现有技术对分叉结构过度识别的示意图。
图2为现有技术被用来匹配识别分叉结构的3*3模板(共12个)。
图3为本发明骨架图优化处理方案的总流程图。
图4为本发明捕获分叉点的流程图。
图5为最大连通域提取处理效果对比图。
图6为捕获分叉点处理效果对比图。
图7为按照预设标准对简化骨架图滤波的效果对比图。
图8为正确识别分叉结构的示意图。
具体实施方式
以下通过附图和具体实施方式对本发明作进一步的详细说明。
如图3所示,本发明一方面实施例提供的一种冠脉造影骨架图的处理方法,包括以下步骤:
S1、获取基于冠脉造影图像生成的骨架图,需要说明的是初步生成的为血管网骨架图;即将输入的原始冠脉造影图像进行二值化处理,将处理后的二值图作为血管网骨架图。
为了减小图像处理的计算量,在上述血管网骨架图的基础上还包括S2、对所述血管网骨架图进行连通域计算,提取最大连通域分量,形成简化骨架图;需要说明的是,对血管网骨架图进行连通域计算采用现有连通域计算方法即可。提取最大连通域分量后其效果如图5所示(左侧为输入该模块的血管网骨架图叠加在原造影帧上,右侧为输出的简化骨架图叠加在原造影帧上)。
S3、在所述简化骨架图中捕获所有端点,输出所有端点信息;该步骤中关于如何捕获骨架图中的端点,计算机视觉专业领域已有多种成熟的方法例如:例如,梅园、孙怀江、夏德深在《中国图象图形学报》,2006,11(9):1306-1311发表的“一种基于改进后模板的图像快速细化算法等均是采取模板进行匹配搜索。在此不再赘述。
S4、在所述简化骨架图中捕获所有分叉点,输出所有分叉点信息;其效果如图6(左侧为原造影帧,右侧为在简化骨架图上经由该模块捕获到的分叉点,其中分叉点标为白色)。
具体过程如图4所示包括:
S401、利用分叉点分类模板,在简化骨架图中捕获所有分叉点,记做一类分叉点;
S402、将所有所述一类分叉点投射到与所述简化骨架图尺寸相同的空矩阵中;
S403、对所述一类分叉点投射输出的矩阵图进行连通域统计计算;
进一步,在S403中,对一类分叉点投射输出的矩阵图进行连通域统计计算,包括对矩阵图按照8连通进行连通域统计,获取每一个连通域的中心位置以及每一个连通域的像素群集合。
S404、根据所述连通域统计计算的结果构建二类分叉点模型;
进一步,在S404中,根据所述连通域统计计算的结果构建二类分叉点模型,包括:
将每个连通域的中心位置作为对应二类分叉点的中心坐标;
将每个连通域的像素群集合作为对应二类分叉点的像素群集合;
将每个连通域的每个像素点的8邻域的位点进行集合去重,再与连通域本身的像素群集合求差集,获得每个二类分叉点的所有邻接像素位置。
S405、利用二类分叉点模型描述二类分叉点,并将所有二类分叉点放入一个集合/列表、输出,作为最终输出的分叉点信息。
进一步,具体过程包括:
将每个二类分叉点的中心坐标、像素群集合、所有邻接像素位置整合在一起,形成每个二类分叉点的特征数组;即对每个二类分叉点形成一个用来描述它的结构体/类/特征数组如:
特征数组;
将所有特征数组放入一个集合/列表里表示。其中A、B....N为不同的二类分叉点。
S5、在所述简化骨架图中根据所述分叉点信息,剔除二类分叉点像素群后,获取彼此孤立的血管段;
S6、构建血管段模型,拾取所有孤立的血管段,利用血管段模型获取血管段信息;构建的血管段模型需要包括但不限于以下要素来描述目标血管段:
(1)构成该血管段的像素群集合(多个已知坐标位置的像素点构成的集合);
(2)构成该血管段的像素群的像素点数量。
S7、利用S3获取的所述端点信息和S6获取的血管段信息,按照预设标准对简化骨架图进行滤波,得到最终的冠脉造影骨架图。
进一步,按照预设标准对简化骨架图进行滤波时,包括:
当血管段信息满足预设标准时,判定为血管末梢处存在无意义毛刺,将其裁剪完成滤波;
所述预设标准包括:血管段信息中,血管段的像素群中包含端点且像素点数量小于设定的阈值。
对血管骨架末梢的毛刺识别效果如图7所示,左侧为简化骨架图,右侧白色部分即为识别出的末梢毛刺。
进一步还包括,S8、利用S3得到的分叉点信息、S4得到的端点信息、S6得到的血管段信息构建血管树模型。
需要说明的是,储存分叉点信息、端点信息或血管段信息的应当是一个集合/列表/向量等类似的数据结构,例如python中的list,set以及C++中的vector、set等。
需要说明的是,S3在执行时,可以在S2之后,S7之前的任意时刻执行,并不局限于本实施例的执行顺序。
本发明还提供一种冠脉造影骨架图的处理系统,包括图像获取模块、骨架图简化模块、端点捕获模块、分叉点捕获模块、血管段获取模块、冠脉造影骨架图输出模块;
所述图像获取模块,用于获取基于冠脉造影图像生成的血管网骨架图;
所述骨架图简化模块,用于对所述血管网骨架图进行连通域计算,提取最大连通域分量,形成简化骨架图;
所述端点捕获模块,用于在所述简化骨架图中捕获所有端点,输出所有端点信息;
所述分叉点捕获模块,用于在所述简化骨架图中捕获所有分叉点,输出所有分叉点信息;
血管段获取模块,用于在所述简化骨架图中根据所述分叉点信息,剔除分叉点像素群后,获取孤立的血管段;构建血管段模型,拾取所有孤立的血管段,利用血管段模型获取血管段信息;
所述冠脉造影骨架图输出模块,利用获取的所述端点信息和获取的血管段信息,按照预设标准对简化骨架图进行滤波,得到最终的冠脉造影骨架图。
进一步优选的,所述分叉点捕获模块包括一类分叉点捕获单元和二类分叉点捕获单元;
所述一类分叉点捕获单元,利用分叉点分类模板,在简化骨架图中捕获所有分叉点,记做一类分叉点;
所述二类分叉点捕获单元,将所有所述一类分叉点投射到与所述简化骨架图尺寸相同的空矩阵中;对所述一类分叉点投射输出的矩阵图进行连通域统计计算;根据所述连通域统计计算的结果构建二类分叉点模型;利用二类分叉点模型描述二类分叉点,并将所有二类分叉点采用同一个集合输出,作为最终输出的分叉点信息。
进一步优选的,还包括血管树模型,所述血管树模型用于利用得到的分叉点信息、端点信息、血管段信息构建血管树。
下面采用具体实施例描述捕获分叉点模块在进行分叉点捕获,输出所有分叉点信息时的具体过程。
1.输入简化后的血管网骨架图;
2.使用现有技术的十二个分叉点捕获模板(如图2),在骨架图上捕获所有分叉点,为了便于进行概念区分,在该步骤中捕获的分叉点命名为一类分叉点;
3.将捕获的所有一类分叉点(像素群)投射到一个尺寸和原骨架图一致的空矩阵上;
4.对一类分叉点结构投射输出的矩阵图进行连通域统计计算(8连通),获取:
(1)每一个连通域的中心位置;
(2)每一个连通域的像素群集合;
5.构建二类分叉点模型,利用连通域计算模块输出的结果来构建二类分叉点模型,方法如下:
(1)每一个连通域的中心位置即为该二类分叉点的中心坐标;
(2)每一个连通域的像素群集合即为该二类分叉点的像素群集合;
(3)将每一个连通域的每个像素点的8邻域的位点放入集合(set)去重,再和该连通域本身的像素群集合求差集,即可快速获得该大分叉点的所有邻接像素位置;
6.最后所有基于二类分叉点模型描述的二类分叉点会被放入一个集合/列表/向量中,并作为该捕获分叉点模块的最终结果输出。
图8是基于本申请提出的方法识别出的分叉结构,可以发现一个由8个像素点组成的大分叉点能够被正确识别出来。 显然,上述实施例仅是为清楚地说明所作的举例,而并非对实施方式的限定。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。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (5)
1.一种冠脉造影骨架图的处理方法,其特征在于,包括以下步骤:
获取基于冠脉造影图像生成的骨架图;
基于冠脉造影图像生成的骨架图进行连通域计算,提取最大连通域分量,形成简化骨架图;
在所述骨架图中捕获所有端点,输出所有端点信息;
在所述骨架图中捕获所有分叉点,输出所有分叉点信息;包括:
S401、利用分叉点分类模板,在骨架图中捕获所有分叉点,记做一类分叉点;
S402、将所有所述一类分叉点投射到与所述简化骨架图尺寸相同的空矩阵中;
S403、对所述一类分叉点投射输出的矩阵图进行连通域统计计算;
S404、根据所述连通域统计计算的结果构建二类分叉点模型;所述构建二类分叉点模型包括:
将每个连通域的中心位置作为对应二类分叉点的中心坐标;
将每个连通域的像素群集合作为对应二类分叉点的像素群集合;
将每个连通域的每个像素点的8邻域的位点进行集合去重,再与连通域本身的像素群集合求差集,获得每个二类分叉点的所有邻接像素位置;
S405、利用二类分叉点模型描述二类分叉点,并将所有二类分叉点放入一个集合/列表输出,作为最终输出的分叉点信息;包括:
将每个二类分叉点的中心坐标、像素群集合、所有邻接像素位置整合在一起,形成每个二类分叉点的特征数组;
特征数组=[(中心坐标),(像素群集合),(所有邻接像素位置)]
将所有特征数组放入一个集合/列表出表示;
在所述骨架图中根据所述分叉点信息,剔除分叉点像素群后,获取孤立的血管段;
构建血管段模型,拾取所有孤立的血管段,利用血管段模型获取血管段信息;
利用获取的所述端点信息和获取的血管段信息,按照预设标准对简化骨架图进行滤波,得到最终的冠脉造影骨架图。
2.根据权利要求1所述的冠脉造影骨架图的处理方法,其特征在于,在S403中,对一类分叉点投射输出的矩阵图进行连通域统计计算,包括对矩阵图按照8连通进行连通域统计,获取每一个连通域的中心位置以及每一个连通域的像素群集合。
3.根据权利要求1所述的冠脉造影骨架图的处理方法,其特征在于,所述按照预设标准对简化骨架图进行滤波时,包括:
当血管段信息满足预设标准时,判定为血管末梢处存在无意义毛刺,将其裁剪完成滤波;
所述预设标准包括:血管段信息中,血管段的像素群中包含端点且像素点数量小于设定的阈值。
4.根据权利要求1所述的冠脉造影骨架图的处理方法,其特征在于,还包括,利用得到的分叉点信息、端点信息、血管段信息构建血管树模型。
5.一种冠脉造影骨架图的处理系统,其特征在于,包括图像获取模块、端点捕获模块、分叉点捕获模块、血管段获取模块、冠脉造影骨架图输出模块;
所述图像获取模块,用于获取基于冠脉造影图像生成的骨架图;
骨架图简化模块,所述骨架图简化模块用于对基于冠脉造影图像生成的血管网骨架图进行连通域计算,提取最大连通域分量,形成简化骨架图;
所述端点捕获模块,用于在所述骨架图中捕获所有端点,输出所有端点信息;
所述分叉点捕获模块,用于在所述骨架图中捕获所有分叉点,输出所有分叉点信息;所述分叉点捕获模块包括一类分叉点捕获单元和二类分叉点捕获单元;
所述一类分叉点捕获单元,利用分叉点分类模板,在简化骨架图中捕获所有分叉点,记做一类分叉点;
所述二类分叉点捕获单元,将所有所述一类分叉点投射到与所述简化骨架图尺寸相同的空矩阵中;对所述一类分叉点投射输出的矩阵图进行连通域统计计算;根据所述连通域统计计算的结果构建二类分叉点模型;包括:
将每个连通域的中心位置作为对应二类分叉点的中心坐标;
将每个连通域的像素群集合作为对应二类分叉点的像素群集合;
将每个连通域的每个像素点的8邻域的位点进行集合去重,再与连通域本身的像素群集合求差集,获得每个二类分叉点的所有邻接像素位置;
利用二类分叉点模型描述二类分叉点,并将所有二类分叉点采用同一个集合输出,作为最终输出的分叉点信息;包括:
将每个二类分叉点的中心坐标、像素群集合、所有邻接像素位置整合在一起,形成每个二类分叉点的特征数组;
特征数组;
将所有特征数组放入一个集合/列表出表示;
血管段获取模块,用于在所述骨架图中根据所述分叉点信息,剔除分叉点像素群后,获取孤立的血管段;构建血管段模型,拾取所有孤立的血管段,利用血管段模型获取血管段信息;所述冠脉造影骨架图输出模块,利用获取的所述端点信息和获取的血管段信息,按照预设标准对骨架图进行滤波,得到最终的冠脉造影骨架图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310409533.4A CN116188457B (zh) | 2023-04-18 | 2023-04-18 | 冠脉造影骨架图的处理方法及处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310409533.4A CN116188457B (zh) | 2023-04-18 | 2023-04-18 | 冠脉造影骨架图的处理方法及处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188457A CN116188457A (zh) | 2023-05-30 |
CN116188457B true CN116188457B (zh) | 2023-07-21 |
Family
ID=86444562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310409533.4A Active CN116188457B (zh) | 2023-04-18 | 2023-04-18 | 冠脉造影骨架图的处理方法及处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188457B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5923788A (en) * | 1995-03-06 | 1999-07-13 | Kabushiki Kaisha Toshiba | Image processing apparatus |
US20190014982A1 (en) * | 2017-07-12 | 2019-01-17 | iHealthScreen Inc. | Automated blood vessel feature detection and quantification for retinal image grading and disease screening |
US10282841B1 (en) * | 2011-01-03 | 2019-05-07 | The United States Of America As Represented By The Administrator Of The Nasa | Bioinformatic analysis of vascular patterning |
US20190172211A1 (en) * | 2016-08-10 | 2019-06-06 | Agfa Healthcare | Method for automatically detecting systemic arteries in arbitrary field-of-view computed tomography angiography (cta) |
US20190213389A1 (en) * | 2018-01-05 | 2019-07-11 | Aquifi, Inc. | Systems and methods for volumetric sizing |
US20220020215A1 (en) * | 2018-11-30 | 2022-01-20 | Oxford University Innovation Limited | Reconstruction method of organ vessel centerline |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178420B (zh) * | 2019-12-24 | 2024-01-09 | 北京理工大学 | 一种二维造影图像上冠脉段标注方法及系统 |
CN111657883B (zh) * | 2020-06-03 | 2021-05-04 | 北京理工大学 | 基于序列造影的冠脉syntax分数自动计算方法与系统 |
-
2023
- 2023-04-18 CN CN202310409533.4A patent/CN116188457B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5923788A (en) * | 1995-03-06 | 1999-07-13 | Kabushiki Kaisha Toshiba | Image processing apparatus |
US10282841B1 (en) * | 2011-01-03 | 2019-05-07 | The United States Of America As Represented By The Administrator Of The Nasa | Bioinformatic analysis of vascular patterning |
US20190172211A1 (en) * | 2016-08-10 | 2019-06-06 | Agfa Healthcare | Method for automatically detecting systemic arteries in arbitrary field-of-view computed tomography angiography (cta) |
US20190014982A1 (en) * | 2017-07-12 | 2019-01-17 | iHealthScreen Inc. | Automated blood vessel feature detection and quantification for retinal image grading and disease screening |
US20190213389A1 (en) * | 2018-01-05 | 2019-07-11 | Aquifi, Inc. | Systems and methods for volumetric sizing |
US20220020215A1 (en) * | 2018-11-30 | 2022-01-20 | Oxford University Innovation Limited | Reconstruction method of organ vessel centerline |
Also Published As
Publication number | Publication date |
---|---|
CN116188457A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108022251B (zh) | 一种管状结构的中心线的提取方法及系统 | |
CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN110929789A (zh) | 基于多期ct影像分析的肝肿瘤自动分类方法及装置 | |
CN111626243B (zh) | 口罩遮挡人脸的身份识别方法、装置及存储介质 | |
CN110415250B (zh) | 一种基于深度学习的重叠染色体分割方法及装置 | |
CN112489060B (zh) | 一种用于肺炎病灶分割的系统及方法 | |
CN106228118A (zh) | 一种特征点和二值图像结合的手指静脉识别方法 | |
CN110310280A (zh) | 肝胆管及结石的图像识别方法、系统、设备及存储介质 | |
CN110969204A (zh) | 基于磁共振图像与数字病理图像融合的样本分类系统 | |
Xie et al. | End-to-end fovea localisation in colour fundus images with a hierarchical deep regression network | |
CN111340773B (zh) | 一种视网膜图像血管分割方法 | |
Deng et al. | Segmentation of dermoscopy images based on fully convolutional neural network | |
Kanwal et al. | Quantifying the effect of color processing on blood and damaged tissue detection in whole slide images | |
CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
CN114170473A (zh) | 基于病理图像的dMMR亚型分类方法及系统 | |
CN116188457B (zh) | 冠脉造影骨架图的处理方法及处理系统 | |
CN117237371A (zh) | 基于实例感知扩散模型的结肠组织学图像腺体分割方法 | |
CN116386803A (zh) | 一种基于图的细胞病理报告生成方法 | |
CN113763407B (zh) | 一种超声图像的结节边缘分析方法 | |
CN111626313A (zh) | 一种特征提取模型训练方法、图像处理方法及装置 | |
CN116524315A (zh) | 一种基于Mask R-CNN的肺癌病理组织切片识别及分割方法 | |
CN114882282A (zh) | 基于mri和ct图像的结直肠癌治疗效果的神经网络预测方法 | |
Gajendran et al. | Chromosome counting via digital image analysis | |
CN112927808A (zh) | 一种基于甲状腺超声图像的结节分级系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |