CN116309408A - 一种利用mri动态图像进行多采样的灰度波谱分析方法 - Google Patents

一种利用mri动态图像进行多采样的灰度波谱分析方法 Download PDF

Info

Publication number
CN116309408A
CN116309408A CN202310211426.0A CN202310211426A CN116309408A CN 116309408 A CN116309408 A CN 116309408A CN 202310211426 A CN202310211426 A CN 202310211426A CN 116309408 A CN116309408 A CN 116309408A
Authority
CN
China
Prior art keywords
heart
mri
time
image
gray scale
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
CN202310211426.0A
Other languages
English (en)
Inventor
文凌仪
彭谨
胡雷
伏川
周忠琴
阿折十干莫
郭应坤
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.)
West China Second University Hospital of Sichuan University
Original Assignee
West China Second University Hospital of Sichuan University
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 West China Second University Hospital of Sichuan University filed Critical West China Second University Hospital of Sichuan University
Priority to CN202310211426.0A priority Critical patent/CN116309408A/zh
Publication of CN116309408A publication Critical patent/CN116309408A/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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30048—Heart; Cardiac

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种利用MRI动态图像进行多采样的灰度波谱分析方法，包括：在MRI视频上截取一个心脏的多个周期运动图像；利用一种结合短时傅里叶变换和速度频率阶次法的时间频率阶次谱方法，获取图像周期灰度值变化数据；将图像灰度周期值的波谱数据同对应的患者的心动周期心电图重叠，选取心电图R波峰顶作为等容收缩期开始，标记出之后图像变化率最小区域；利用核回归方法或反向传播神经网络和时频阶谱方法建立心脏等容收缩期信息，从而判定心脏相对静止期。与既往在心脏MRI电影图像回放中人工观察右冠状动脉最小运动时相识别心脏相对静止期相比，本发明极大地降低了人工偏倚，使心脏相对不应期的判定更加简捷。

Description

一种利用MRI动态图像进行多采样的灰度波谱分析方法
技术领域
本发明涉及数字图像分析处理技术领域，尤其涉及一种利用MRI动态图像进行多采样的灰度波谱分析方法。
背景技术
现今心血管疾病仍是全球居民死亡的主要原因，其中冠状动脉粥样硬化性疾病(CAD)发生率较为显著。已知X射线冠状动脉造影和冠状动脉CT血管造影(CCTA)是评估和诊断CAD的首选成像方式(“金标准”)。遗憾的是，以上方法存有电离辐射和使用碘化造影剂的风险。冠状动脉磁共振血管成像(MRCA)作为一种安全有效的无创冠状动脉成像技术已逐步应用于临床，无电离辐射、可不注射对比剂成像的优势使其在冠状动脉疾病诊断中具有独特价值，临床需求逐步增强。在儿童、肾功能不全、孕妇、对比剂过敏等特殊患者中的临床应用价值更为突出。
在心脏磁共振成像过程中，心脏随心动周期不断做有规律的搏动，而冠状动脉紧贴心脏表面运动，常规成像必然出现运动伪影。因此，为了获得真实反映冠状动脉的图像，必须选择心脏运动幅度最小的时相(心脏相对静止期)。既往是通过心脏电影回放，然后人工观察右冠状动脉中段运动最小的时相，从而判断心脏相对静止期，但这种人工观察法存在一定的人工偏倚。
发明内容
本发明实施例所要解决的技术问题在于，针对通过心脏电影回放，然后人工观察右冠状动脉中段运动最小的时相，从而判断心脏相对静止期，存在一定的人工偏倚的问题，提出了一种利用MRI动态图像进行多采样的灰度波谱分析方法。
为了解决上述技术问题，本发明实施例提供了一种利用MRI动态图像进行多采样的灰度波谱分析方法，该利用MRI动态图像进行多采样的灰度波谱分析方法包括：
步骤一：利用患者的MRI视频以及在该MRI视频对应时间内的患者心电图，在MRI视频上截取一个心脏的多个周期运动图像；
步骤二、利用一种结合短时傅里叶变换和速度频率阶次法的时间频率阶次谱方法，获取图像周期灰度值变化数据；
步骤三、将图像灰度周期值的波谱数据同对应的患者的心动周期心电图重叠，选取心电图R波峰顶作为等容收缩期开始，标记出之后图像变化率最小区域；
步骤四、利用核回归方法或反向传播神经网络和时频阶谱方法建立心脏等容收缩期信息，从多个周期灰度值变化数据中找出等容收缩期中点，从而判定心脏相对静止期。
其中，步骤一中利用患者的MRI视频，在视频上截取一个心脏的多个周期运动图像的具体方法为：在心脏磁共振电影成像视频中的多个心动周期内，连续采集心脏多个期相的亮血系列图像；选取心脏四腔心层面电影图像进行下一步分析。
其中，步骤二中一种结合短时傅里叶变换和速度频率阶次法的时间频率阶次谱方法为：于心脏电影图像上手工选取多个采样点，且每个采样点均局限在心脏范围内，并且有肉眼可见的灰度变化；利用结合短时傅里叶变换和速度频率阶次法的时间频率阶次谱方法对各个随机采样点进行信号采集；获得各个采样点对应的灰度波谱。
其中，步骤二中采样的方法为：判断图像中存在周期性变化的区域；选取周期性区域像素点周围3*3的像素点进行像素采集，并且计算其平均值。
其中，获取图像周期灰度值变化数据的具体方法为：
S101：手动在图像上选取3-10个肉眼能够看到明显的周期变化的区域；
S102：记录该区域的灰度值变化，并且将灰度值变化和时间t之间的关系形成一个函数；
S103：利用短时傅立叶变换对图像进行分析；
S104：将获得的灰度值变化周期分为N(3<＝N<＝10)个时间窗,每个时间窗用傅立叶变换进行处理，其表示方法为：
Figure BDA0004112839060000031
上式中,ω[n]是窗函数，x[n]是待变换的信号；
S105：由上面的函数可以计算获得灰度随时间分段变化的振幅和频率：
Figure BDA0004112839060000032
也可以表示为三角函数的形式：
Figure BDA0004112839060000033
即复杂周期性变换信号可以表示为一系列正弦或者余弦函数的和。
其中，步骤四中从多个周期灰度值变化数据中自动判定心脏相对静止期的方法为：利用核回归方法/反向传播神经网络和时频阶谱方法建立心脏等容收缩期信息；在心脏MRI电影视频中自动判定等容特征区间；联合心电图信息，在心脏MRI电影视频中自动识别心脏相对静止期。
其中，自动判定心脏相对静止期的具体方法为：在公式(3)的基础上，利用每一段图像灰度变化的加权平均值进行估计：
Figure BDA0004112839060000034
其中Kh是一个带宽为h的核，分母是一个总和为1的加权像，由于此时函数
Figure BDA0004112839060000037
可以被看成是一系列正弦和余弦的和的形式，因此上面的公式可以变化为：
Figure BDA0004112839060000035
其中
Figure BDA0004112839060000036
由以上可以获得灰度随时间分段变化的振幅和频率；
一般情况下，等容收缩期大致等于心动周期的1/16，因此，公式5中选择
Figure BDA0004112839060000041
式中：p为心率，将一个周期中不同的时间t代入公式(5)，选取最大ω1所在的时间t为等容收缩期中点。
其中，等容收缩期中点的具体判断方法为：计算每个点的ω值，如果多个采样点ω值存在相同的时间t位置，且其时间不超过0.01秒，那么可以认定该ω可以标定等容收缩期的中点。
其中，根据等容收缩期起点和中点信息，在MRI图像中标记出整个等容收缩期。
实施本发明实施例，具有如下有益效果：
应用本利用MRI动态图像进行多采样的灰度波谱分析方法，通过对心脏MRI运动周期图像的灰度波谱分析，可自动识别心脏相对静止期；与既往在心脏MRI电影图像回放中人工观察右冠状动脉最小运动时相识别心脏相对静止期相比，本发明极大地降低了人工偏倚，使心脏相对不应期的判定更加简捷。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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是本发明提供的利用MRI动态图像进行多采样的灰度波谱分析方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种利用MRI动态图像进行多采样的灰度波谱分析方法，请参见图1，图1是本发明提供的利用MRI动态图像进行多采样的灰度波谱分析方法的流程示意图。
本利用MRI动态图像进行多采样的灰度波谱分析方法包括：
步骤一：利用患者的MRI视频以及在该MRI视频对应时间内的患者心电图，在MRI视频上截取一个心脏的多个周期运动图像。
具体方法为：在心脏磁共振电影成像视频中的多个心动周期内，连续采集心脏多个期相的亮血影像；选取心脏四腔心层面电影图像进行下一步分析。
步骤二、利用一种结合短时傅里叶变换和速度频率阶次法的时间频率阶次谱方法，获取图像周期灰度值变化数据。
其中，一种结合短时傅里叶变换和速度频率阶次法的时间频率阶次谱方法为：于心脏电影图像上手工选取多个采样点，且每个采样点均局限在心脏范围内，并且有肉眼可见的灰度变化；利用结合短时傅里叶变换和速度频率阶次法的时间频率阶次谱方法对各个随机采样点进行信号采集；获得各个采样点对应的灰度波谱。
采样的方法为：判断图像中存在周期性变化的区域；选取周期性区域像素点周围3*3的像素点进行像素采集，并且计算其平均值。
获取图像周期灰度值变化数据的具体方法为：
S101：手动在图像上选取3-10个肉眼能够看到明显的周期变化的区域；
S102：记录该区域的灰度值变化，并且将灰度值变化和时间t之间的关系形成一个函数；
S103：利用短时傅立叶变换对图像进行分析；
S104：将获得的灰度值变化周期分为N(3<＝N<＝10)个时间窗,每个时间窗用傅立叶变换进行处理，其表示方法为：
Figure BDA0004112839060000061
上式中,ω[n]是窗函数，x[n]是待变换的信号；
S105：由上面的函数可以计算获得灰度随时间分段变化的振幅和频率：
Figure BDA0004112839060000062
也可以表示为三角函数的形式：
Figure BDA0004112839060000063
即复杂周期性变换信号可以表示为一系列正弦或者余弦函数的和。
步骤三、将图像灰度周期值的波谱数据同对应的患者的心动周期心电图重叠，选取心电图R波峰顶作为等容收缩期开始，标记出之后图像变化率最小区域。
步骤四、利用核回归方法或反向传播神经网络和时频阶谱方法建立心脏等容收缩期信息，从多个周期灰度值变化数据中找出等容收缩期中点，从而判定心脏相对静止期。
从多个周期灰度值变化数据中自动判定心脏相对静止期的方法为：利用核回归方法/反向传播神经网络和时频阶谱方法建立心脏等容收缩期信息；在心脏MRI电影视频中自动判定等容特征区间；联合心电图信息，在心脏MRI电影视频中自动识别心脏相对静止期。
其中，自动判定心脏相对静止期的具体方法为：在公式(3)的基础上，利用每一段图像灰度变化的加权平均值进行估计：
Figure BDA0004112839060000064
其中Kh是一个带宽为h的核，分母是一个总和为1的加权像，由于此时函数
Figure BDA0004112839060000066
可以被看成是一系列正弦和余弦的和的形式，因此上面的公式可以变化为：
Figure BDA0004112839060000065
其中
Figure BDA0004112839060000071
由以上可以获得灰度随时间分段变化的振幅和频率；
一般情况下，等容收缩期大致等于心动周期的1/16，因此，公式5中选择
Figure BDA0004112839060000072
式中：p为心率，将一个周期中不同的时间t代入公式(5)，选取最大ω1所在的时间t为等容收缩期中点。
等容收缩期中点的具体判断方法为：计算每个点的ω值，如果多个采样点ω值存在相同的时间t位置，且其时间不超过0.01秒，那么可以认定该ω可以标定等容收缩期的中点。根据等容收缩期起点和中点信息，在MRI图像中标记出整个等容收缩期
本发明公开了一种利用MRI动态图像进行多采样的灰度波谱分析自动判定心脏相对静止期的技术，包括利用视频图像采样技术，在一个MRI视频下采集心脏的多个周期运动图像；利用一种结合短时傅里叶变换(STFT)和速度频率阶次法的时间频率阶次谱方法获取图像周期灰度值变化数据；利用核回归方法或反向传播神经网络(BPNN)和时频阶谱方法建立心脏等容收缩期信息，从多周期灰度值变化数据中自动判定心脏相对静止期。应用本发明，通过对心脏MRI运动周期图像的灰度波谱分析，可自动识别心脏相对静止期；与既往在心脏MRI电影图像回放中人工观察右冠状动脉最小运动时相识别心脏相对静止期相比，本发明极大地降低了人工偏倚，使心脏相对不应期的判定更加简捷。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种利用MRI动态图像进行多采样的灰度波谱分析方法，包括：
步骤一：利用患者的MRI视频以及在该MRI视频对应时间内的患者心电图，在MRI视频上截取一个心脏的多个周期运动图像；
步骤二、利用一种结合短时傅里叶变换和速度频率阶次法的时间频率阶次谱方法，获取图像周期灰度值变化数据；
步骤三、将图像灰度周期值的波谱数据同对应的患者的心动周期心电图重叠，选取心电图R波峰顶作为等容收缩期开始，标记出之后图像变化率最小区域；
步骤四、利用核回归方法或反向传播神经网络和时频阶谱方法建立心脏等容收缩期信息，从多个周期灰度值变化数据中找出等容收缩期中点，从而判定心脏相对静止期。
2.根据权利要求1所述的利用MRI动态图像进行多采样的灰度波谱分析方法，其特征在于，所述步骤一中利用患者的MRI视频，在视频上截取一个心脏的多个周期运动图像的具体方法为：在心脏磁共振电影成像视频中的多个心动周期内，连续采集心脏多个期相的亮血系列图像；选取心脏四腔心层面电影图像进行下一步分析。
3.根据权利要求1所述的利用MRI动态图像进行多采样的灰度波谱分析方法，其特征在于，所述步骤二中一种结合短时傅里叶变换和速度频率阶次法的时间频率阶次谱方法为：于心脏电影图像上手工选取多个采样点，且每个采样点均局限在心脏范围内，并且有肉眼可见的灰度变化；利用结合短时傅里叶变换和速度频率阶次法的时间频率阶次谱方法对各个随机采样点进行信号采集；获得各个采样点对应的灰度波谱。
4.根据权利要求3所述的利用MRI动态图像进行多采样的灰度波谱分析方法，其特征在于，所述步骤二中采样的方法为：判断图像中存在周期性变化的区域；选取周期性区域像素点周围3*3的像素点进行像素采集，并且计算其平均值。
5.根据权利要求4所述的利用MRI动态图像进行多采样的灰度波谱分析方法，其特征在于，所述获取图像周期灰度值变化数据的具体方法为：
S101：手动在图像上选取3-10个肉眼能够看到明显的周期变化的区域；
S102：记录该区域的灰度值变化，并且将灰度值变化和时间t之间的关系形成一个函数；
S103：利用短时傅立叶变换对图像进行分析；
S104：将获得的灰度值变化周期分为N(3<＝N<＝10)个时间窗,每个时间窗用傅立叶变换进行处理，其表示方法为：
Figure FDA0004112839050000021
上式中,ω[n]是窗函数，x[n]是待变换的信号；
S105：由上面的函数可以计算获得灰度随时间分段变化的振幅和频率：
Figure FDA0004112839050000022
也可以表示为三角函数的形式：
Figure FDA0004112839050000023
即复杂周期性变换信号可以表示为一系列正弦或者余弦函数的和。
6.根据权利要求5所述的利用MRI动态图像进行多采样的灰度波谱分析方法，其特征在于，所述步骤四中从多个周期灰度值变化数据中自动判定心脏相对静止期的方法为：利用核回归方法/反向传播神经网络和时频阶谱方法建立心脏等容收缩期信息；在心脏MRI电影视频中自动判定等容特征区间；联合心电图信息，在心脏MRI电影视频中自动识别心脏相对静止期。
7.根据权利要求6所述的利用MRI动态图像进行多采样的灰度波谱分析方法，其特征在于，所述自动判定心脏相对静止期的具体方法为：在公式(3)的基础上，利用每一段图像灰度变化的加权平均值进行估计：
Figure FDA0004112839050000031
其中Kh是一个带宽为h的核，分母是一个总和为1的加权像，由于此时函数
Figure FDA0004112839050000035
可以被看成是一系列正弦和余弦的和的形式，因此上面的公式可以变化为：
Figure FDA0004112839050000032
其中
Figure FDA0004112839050000033
由以上可以获得灰度随时间分段变化的振幅和频率；
一般情况下，等容收缩期大致等于心动周期的1/16，因此，公式5中选择
Figure FDA0004112839050000034
式中：p为心率，将一个周期中不同的时间t代入公式(5)，选取最大ω1所在的时间t为等容收缩期中点。
8.根据权利要求7所述的利用MRI动态图像进行多采样的灰度波谱分析方法，其特征在于，所述等容收缩期中点的具体判断方法为：计算每个点的ω值，如果多个采样点ω值存在相同的时间t位置，且其时间不超过0.01秒，那么可以认定该ω可以标定等容收缩期的中点。
9.根据权利要求8所述的利用MRI动态图像进行多采样的灰度波谱分析方法，其特征在于，根据等容收缩期起点和中点信息，在MRI图像中标记出整个等容收缩期。
CN202310211426.0A 2023-03-07 2023-03-07 一种利用mri动态图像进行多采样的灰度波谱分析方法 Pending CN116309408A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310211426.0A CN116309408A (zh) 2023-03-07 2023-03-07 一种利用mri动态图像进行多采样的灰度波谱分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310211426.0A CN116309408A (zh) 2023-03-07 2023-03-07 一种利用mri动态图像进行多采样的灰度波谱分析方法

Publications (1)

Publication Number Publication Date
CN116309408A true CN116309408A (zh) 2023-06-23

Family

ID=86821783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310211426.0A Pending CN116309408A (zh) 2023-03-07 2023-03-07 一种利用mri动态图像进行多采样的灰度波谱分析方法

Country Status (1)

Country Link
CN (1) CN116309408A (zh)

Similar Documents

Publication Publication Date Title
JP4216496B2 (ja) 脳組織内毛細血管の血流動態に関するインデックス演算方法、装置及びプログラムコード
US8605976B2 (en) System and method of detection of optimal angiography frames for quantitative coronary analysis using wavelet-based motion analysis
US7951083B2 (en) Motion analysis improvements for medical diagnostic ultrasound
US7840255B2 (en) X-ray CT apparatus and myocardial perfusion image generating system
JP4363833B2 (ja) 局所血流動態に関するインデックスを演算する方法及び装置
WO2021141135A1 (ja) 冠動脈ｃｔ４ｄフローイメージによる機能的虚血検出技術
US10653379B2 (en) Device and method for spatiotemporal reconstruction of a moving vascular pulse wave in the brain and other organs
JPH11151224A (ja) 血管造影図の撮影装置
US20200305730A1 (en) Information processing method, device, and system for evaluating blood vessels
Talou et al. Improving cardiac phase extraction in IVUS studies by integration of gating methods
WO2004024001A1 (ja) 血流動態解析装置とその方法、画像診断装置
KR20210010880A (ko) 동적 혈관 조영 이미징
Keegan et al. Validation of high temporal resolution spiral phase velocity mapping of temporal patterns of left and right coronary artery blood flow against Doppler guidewire
Farghal et al. Developing a new measure of small bowel peristalsis with dynamic MR: a proof of concept study
JP4302180B2 (ja) 局所血流動態に関するインデックスを演算する方法及び装置
JP4714228B2 (ja) 脳組織内毛細血管の血流動態に関するインデックス演算方法、装置及び記憶媒体
Ganten et al. Quantification of aortic elasticity: development and experimental validation of a method using computed tomography
Hennersperger et al. Vascular 3D+ T freehand ultrasound using correlation of doppler and pulse-oximetry data
CN116309408A (zh) 一种利用mri动态图像进行多采样的灰度波谱分析方法
JP3502513B2 (ja) 超音波画像処理方法および超音波画像処理装置
De Winter et al. A novel retrospective gating method for intracoronary ultrasound images based on image properties
KR101002079B1 (ko) 혈관측정장치의 혈관측정방법
Zheng et al. An off-line gating method for suppressing motion artifacts in ICUSsequence
CN106343989A (zh) 基于图像处理的血压监测方法
CN111493832A (zh) 一种基于En face-OCT的内窥成像方法

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