CN116309676A - 一种冠脉血管图像分割方法、装置、电子设备及存储介质 - Google Patents
一种冠脉血管图像分割方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116309676A CN116309676A CN202310026568.XA CN202310026568A CN116309676A CN 116309676 A CN116309676 A CN 116309676A CN 202310026568 A CN202310026568 A CN 202310026568A CN 116309676 A CN116309676 A CN 116309676A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- image
- coronary
- images
- contrast blood
- 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
- 210000004351 coronary vessel Anatomy 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000003709 image segmentation Methods 0.000 title claims abstract description 9
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000002583 angiography Methods 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000000926 separation method Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 210000003462 vein Anatomy 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 208000015606 cardiovascular system disease Diseases 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20172—Image enhancement details
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种冠脉血管图像分割方法、装置、电子设备及存储介质,包括以下步骤:S1、将造影血管图像数据进行预处理;S2、将预处理后的所述造影血管图像数据输入网络模型进行训练,输出分割模型;S3、采集术中实时影像,将其中的造影血管图像数据进行增强;S4、将增强后的造影血管图像数据输入进所述分割模型进行造影血管的分割;本发明减少环境因素对冠状动脉血管图像分割的干扰影响,有效提高分隔结果准确性。
Description
技术领域
本发明涉及到人工智能技术领域,具体涉及到一种冠脉血管图像分割方法、装置、电子设备及存储介质。
背景技术
科学技术的飞速发展给人们的生活带来了巨大的变化,推动了社会的进步,医学领域亦是如此。计算机技术、图像处理技术及医学物理的进展为医学诊断和治疗提供了越来越有力的工具。
心血管系统疾病是当今世界上威胁人类健康的主要问题之一,无论发病率还是死亡率都在各类疾病的前列,因此预防和治疗心血管疾病对人民的生命健康有着十分重要的意义。通过在医学图像上分割打过造影剂的冠状动脉血管,可更直观有效的观察冠状动脉血管中的病变区域,从而使患者的诊断和治疗提供更加高效的治疗手段。
目前冠状动脉血管自动分割对于冠状动脉影像的导航至关重要。然而在实际场景中,冠状动脉血管分割技术对环境的要求极高,存在静脉影像干扰,噪声,震动,拍摄视角,DSA影像设备所呈现出的DSA影像结果不同,等因素都会对结果产生非常大的影响,导致冠状动脉血管分割困难,出现分割出的血管不连续,细小血管和血管末端分割不完全。
发明内容
本发明的目的是针对现有技术存在的问题,提供一种冠脉血管图像的分割方法、装置、电子设备及存储介质,减少环境因素对冠状动脉血管图像分割的干扰影响,有效提高分隔结果准确性。
为实现上述目的,本发明采用的技术方案是:
一种冠脉血管图像的分割方法,包括以下步骤:
S1、将造影血管图像数据进行预处理;
S2、将预处理后的所述造影血管图像数据输入网络模型进行训练,输出分割模型;
S3、采集术中实时影像,将其中的造影血管图像数据进行增强;
S4、将增强后的造影血管图像数据输入进所述分割模型进行造影血管的分割。
进一步的,步骤S1具体包括:
S1.1、采用图像旋转、水平翻转、上下反转、放大缩小和裁剪中的一种或多种方式进行数据扩充。
进一步的,步骤S1具体包括:
S1.2、对扩充后的影血管图像数据进行局部直方图均衡化,并将原图与局部直方图均衡化之后的图进行叠加。
进一步的,步骤S2具体包括:
进行训练时,利用Softmax函数对像素点进行分类,并使用Entropy Loss和DiceLoss作为损失函数。
进一步的,步骤S2具体包括:
对比训练中的损失函数Loss,输出训练损失与测试损失最小的模型进行保存,完成模型训练。
进一步的,步骤S3具体包括:
通过采集卡采集到术中实时影像,将影像进行每帧保存,并将保存的每帧图像进行Frangi2D滤波提取造影血管特征,根据连通域的轮廓筛选出噪声干扰点,把不属于造影血管的特征滤除掉,之后再将提取后的图像进行掩膜制作,再将掩膜与原图像做叠加,以便造影血管的特征更加明显。
本申请还提供一种冠脉血管图像的分割装置,包括:
预处理模块,用于将造影血管图像数据进行扩充和局部直方图均衡化,并将原图与局部直方图均衡化之后的图进行叠加,增加造影血管与背景的对比度;
模型训练模块,用于根据输入的造影血管图像数据,训练造影血管图像分割模型;
图像增强模块,用于使术中实时影像的造影血管的特征更加明显。
本申请还提供一种电子设备,包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如上述的冠脉血管图像的分割方法。
本申请还提供一种计算机可读存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上述的冠脉血管图像的分割方法。
与现有技术相比,本发明的有益效果是:
通过对造影血管图像数据进行预处理,对数据进行局部直方图均衡化并将原图与局部直方图均衡化之后的图进行叠加,使不同DSA影像设备获得的冠脉数据影像趋于统一,减小背景环境图像对造影血管图像的干扰影响,提高模型训练效率;
通过Frangi2D滤波提取造影血管特征,根据连通域的轮廓筛选出噪声干扰点,把不属于造影血管的特征滤除掉,再将提取后的图像进行掩膜制作,再将掩膜与原图像做叠加,以便造影血管的特征更加明显;减少静脉影像、噪声、震动和拍摄视角因素的干扰影响,便于模型识别分割。
附图说明
图1为本发明一种冠脉血管图像的分割方法的流程图;
图2为本发明冠脉血管图像预处理前的影像对比图;
图3为本发明冠脉血管图像预处理后的影像对比图。
具体实施方式
下面将结合本发明中的附图,对本发明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条件下所获得的所有其它实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
图1是本发明一种冠脉血管图像的分割方法的流程图。如图1所示,本发明提供一种冠脉血管图像的分割方法,包括以下步骤:
S1、将造影血管图像数据进行预处理;
S2、将预处理后的所述造影血管图像数据输入神经网络模型进行训练;
S3、采集术中实时影像,将其中的造影血管图像数据进行增强;
S4、将增强后的造影血管图像数据输入进完成步骤S3训练的模型进行造影血管分割。
上述方案通过对造影血管图像数据进行预处理,对数据进行局部直方图均衡化并将原图与局部直方图均衡化之后的图进行叠加,使不同DSA影像设备获得的冠脉数据影像趋于统一,减小背景环境图像对造影血管图像的干扰影响,提高模型训练效率。
在一个优选的实施例中,步骤S1具体包括:
S1.1、由于医疗影像的特殊性,造影血管数据的数据量并不是很多,所以采用图像旋转、水平翻转、上下反转、放大缩小和裁剪中的一种或多种方式进行数据扩充;
S1.2、如图2所示,由于各种DSA影像设备的参数不同,获得的冠脉数据影像的对比度也有区别,所以对扩充后的影血管图像数据进行局部直方图均衡化,并将原图与局部直方图均衡化之后的图进行叠加,增加造影血管与背景的对比度,如图3所示。
在一个优选的实施例中,步骤S2具体包括:
将预处理后的数据进行训练和测试的划分,将数据的90%作为训练数据,10%作为验证数据,然后将训练数据和验证数据输入进网络模型中进行训练;
神经网络模型进行训练时,用到了两个损失函数,一个是Cross Entropy Loss(交叉熵损失),在利用Softmax对像素点进行分类时使用,其公式为:
另一个是Dice Loss,这个是将分割的评价指标作为Loss,Dice系数是一种集合相似度度量函数,用于计算两个样本的相似度,取值范围在[0,1],其公式为就是预测结果和真是结果的交乘上2,除上预测结果加上真实结果,其值在0~1之间,越大表示预测结果和真实结果重合度越大,Dice系数越大越好。
对比训练中的损失函数Loss,输出训练损失与测试损失最小的模型进行保存,完成模型训练。
在一个优选的实施例中,步骤S3具体包括:
通过采集卡采集到术中实时影像,将影像进行每帧保存,并将保存的每帧图像进行Frangi2D滤波提取造影血管特征,由于造影血管影像中有较多干扰,会提取到不光是造影血管的特征,还有比如骨骼线的特征,所以需要根据连通域的轮廓筛选出噪声干扰点,把不属于造影血管的特征滤除掉,之后再将提取后的图像进行掩膜制作,再将掩膜与原图像做叠加,以便造影血管的特征更加明显;减少静脉影像、噪声、震动和拍摄视角因素的干扰影响,便于模型识别分割。
本发明还提出了一种冠脉血管图像的分割装置,包括:
预处理模块,用于将造影血管图像数据进行扩充和局部直方图均衡化,并将原图与局部直方图均衡化之后的图进行叠加,增加造影血管与背景的对比度;
模型训练模块,用于根据输入的造影血管图像数据,训练造影血管图像分割模型;
图像增强模块,用于使术中实时影像的造影血管的特征更加明显。
本申请还提供一种电子设备,包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行如上述实施例描述的冠脉血管图像的分割方法。
本申请还提供了一种存储介质,该存储介质可以是上述实施例中前述装置中所包含的存储介质;也可以是单独存在,未装配入设备中的存储介质。存储介质存储有一个或者一个以上程序,前述程序被一个或者一个以上的处理器用来执行如上述实施例描述的冠脉血管图像的分割方法。
其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种冠脉血管图像的分割方法,其特征在于,包括以下步骤:
S1、将造影血管图像数据进行预处理;
S2、将预处理后的所述造影血管图像数据输入网络模型进行训练,输出分割模型;
S3、采集术中实时影像,将其中的造影血管图像数据进行增强;
S4、将增强后的造影血管图像数据输入进所述分割模型进行造影血管的分割。
2.根据权利要求1所述的一种冠脉血管图像的分割方法,其特征在于,步骤S1具体包括:
S1.1、采用图像旋转、水平翻转、上下反转、放大缩小和裁剪中的一种或多种方式进行数据扩充。
3.根据权利要求2所述的一种冠脉血管图像的分割方法,其特征在于,步骤S1具体包括:
S1.2、对扩充后的影血管图像数据进行局部直方图均衡化,并将原图与局部直方图均衡化之后的图进行叠加。
4.根据权利要求1所述的一种冠脉血管图像的分割方法,其特征在于,步骤S2具体包括:
进行训练时,利用Softmax函数对像素点进行分类,并使用Entropy Loss和Dice Loss作为损失函数。
5.根据权利要求4所述的一种冠脉血管图像的分割方法,其特征在于,步骤S2具体包括:
对比训练中的损失函数Loss,输出训练损失与测试损失最小的模型进行保存,完成模型训练。
6.根据权利要求1所述的一种冠脉血管图像的分割方法,其特征在于,步骤S3具体包括:
通过采集卡采集到术中实时影像,将影像进行每帧保存,并将保存的每帧图像进行Frangi2D滤波提取造影血管特征,根据连通域的轮廓筛选出噪声干扰点,把不属于造影血管的特征滤除掉,之后再将提取后的图像进行掩膜制作,再将掩膜与原图像做叠加,以便造影血管的特征更加明显。
7.一种冠脉血管图像的分割装置,其特征在于,包括:
预处理模块,用于将造影血管图像数据进行扩充和局部直方图均衡化,并将原图与局部直方图均衡化之后的图进行叠加,增加造影血管与背景的对比度;
模型训练模块,用于根据输入的造影血管图像数据,训练造影血管图像分割模型;
图像增强模块,用于使术中实时影像的造影血管的特征更加明显。
8.一种电子设备,其特征在于,包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被处理器执行时实现权利要求1至6中任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310026568.XA CN116309676A (zh) | 2023-01-09 | 2023-01-09 | 一种冠脉血管图像分割方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310026568.XA CN116309676A (zh) | 2023-01-09 | 2023-01-09 | 一种冠脉血管图像分割方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116309676A true CN116309676A (zh) | 2023-06-23 |
Family
ID=86780451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310026568.XA Pending CN116309676A (zh) | 2023-01-09 | 2023-01-09 | 一种冠脉血管图像分割方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309676A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503913A (zh) * | 2023-06-25 | 2023-07-28 | 浙江华诺康科技有限公司 | 医学图像识别方法、装置、系统和存储介质 |
CN116645382A (zh) * | 2023-07-26 | 2023-08-25 | 天津恒宇医疗科技有限公司 | 自适应的血管分割方法及系统 |
-
2023
- 2023-01-09 CN CN202310026568.XA patent/CN116309676A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503913A (zh) * | 2023-06-25 | 2023-07-28 | 浙江华诺康科技有限公司 | 医学图像识别方法、装置、系统和存储介质 |
CN116645382A (zh) * | 2023-07-26 | 2023-08-25 | 天津恒宇医疗科技有限公司 | 自适应的血管分割方法及系统 |
CN116645382B (zh) * | 2023-07-26 | 2023-10-20 | 天津恒宇医疗科技有限公司 | 自适应的血管分割方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154519B (zh) | 眼底图像中血管的分割方法、装置及存储介质 | |
CN116309676A (zh) | 一种冠脉血管图像分割方法、装置、电子设备及存储介质 | |
Tripathy et al. | Unified preprocessing and enhancement technique for mammogram images | |
US20170148158A1 (en) | Automated analysis of vasculature in coronary angiograms | |
Bandyopadhyay | Pre-processing of mammogram images | |
CN111275686B (zh) | 用于人工神经网络训练的医学图像数据的生成方法及装置 | |
CN110610498A (zh) | 乳腺钼靶图像处理方法、系统、存储介质及设备 | |
CN111986206A (zh) | 基于UNet网络的肺叶分割方法、装置及计算机可读存储介质 | |
CN111461202B (zh) | 甲状腺结节超声图像实时识别方法及装置 | |
CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
CN111814682A (zh) | 人脸活体检测方法及装置 | |
CN106940904B (zh) | 基于人脸识别和语音识别的考勤系统 | |
Lin et al. | Extraction of coronary arterial tree using cine X-ray angiograms | |
Queiroz et al. | Endoscopy image restoration: A study of the kernel estimation from specular highlights | |
Mustafa et al. | Mammography image segmentation: Chan-Vese active contour and localised active contour approach | |
Ihsan et al. | A median filter with evaluating of temporal ultrasound image for impulse noise removal for kidney diagnosis | |
Guo et al. | Thyroid nodule ultrasonic imaging segmentation based on a deep learning model and data augmentation | |
Agaian et al. | Noise-resilient edge detection algorithm for brain MRI images | |
CN115115657A (zh) | 病灶分割方法及装置、电子设备及存储介质 | |
Bania et al. | Adaptive trimmed median filter for impulse noise detection and removal with an application to mammogram images | |
Georgieva et al. | Multistage Approach for Simple Kidney Cysts Segmentation in CT Images | |
Subashini et al. | Pectoral muscle removal and detection of masses in digital mammogram using CCL | |
CN112861916A (zh) | 一种浸润性宫颈癌病理图像分类方法和系统 | |
CN111862304B (zh) | 基于骨架引导的分割下腔静脉和腹主动脉的方法及装置 | |
CN109684926A (zh) | 一种非接触式静脉图像采集方法及装置 |
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 |