CN116704149B - 获得颅内动脉狭窄参数的方法和装置 - Google Patents
获得颅内动脉狭窄参数的方法和装置 Download PDFInfo
- Publication number
- CN116704149B CN116704149B CN202310969766.XA CN202310969766A CN116704149B CN 116704149 B CN116704149 B CN 116704149B CN 202310969766 A CN202310969766 A CN 202310969766A CN 116704149 B CN116704149 B CN 116704149B
- Authority
- CN
- China
- Prior art keywords
- obtaining
- frame
- blood vessel
- key
- target 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.)
- Active
Links
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 54
- 206010060965 Arterial stenosis Diseases 0.000 title claims abstract description 37
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 137
- 208000031481 Pathologic Constriction Diseases 0.000 claims abstract description 45
- 208000037804 stenosis Diseases 0.000 claims abstract description 45
- 230000036262 stenosis Effects 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 15
- 239000002872 contrast media Substances 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 11
- 230000000004 hemodynamic effect Effects 0.000 claims description 8
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 230000017531 blood circulation Effects 0.000 description 13
- 230000036772 blood pressure Effects 0.000 description 13
- 210000001367 artery Anatomy 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000877 morphologic effect Effects 0.000 description 6
- 208000028867 ischemia Diseases 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 206010057469 Vascular stenosis Diseases 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 208000031225 myocardial ischemia Diseases 0.000 description 2
- 238000004801 process automation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000001841 basilar artery Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 238000012545 processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000002385 vertebral artery Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T7/68—Analysis of geometric attributes of symmetry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种获得颅内动脉狭窄参数的方法和装置,方法包括:根据颅内动脉血管第一角度的第一DSA影像序列筛选获得第一关键帧;获得第二关键帧;对第一关键帧进行骨架线提取、关键分叉点识别、狭窄位置检测,利用关键分叉点获得含狭窄位置的第一角度目标血管;获得含狭窄位置的第二角度目标血管;根据第一角度目标血管和第二角度目标血管骨架线端点的匹配关系校正投影关系,重建获得目标血管三维模型及其三维中心线和三维轮廓;基于三维中心线和三维轮廓获得中心线位置‑直径曲线,进行第一次拟合后、去除中心线位置‑直径曲线小于第一次拟合线的部分,将剩余中心线位置‑直径曲线进行第二次拟合,拟合后获得中心线位置‑直径狭窄率曲线。
Description
技术领域
本申请涉及医学图像处理领域,特别是涉及一种获得颅内动脉狭窄参数的方法和装置。
背景技术
血管狭窄导致的缺血是心脑血管疾病发生的主要原因之一,在心内狭窄缺血评估领域,研究者们已经证明了仅仅使用狭窄程度来评估血管狭窄和心肌缺血程度可能会产生误判,所以冠脉血流储备分数(Fractional Flow Reserve, FFR)这一功能学指标已经被广泛采用以评估心肌的缺血程度。在颅内狭窄缺血评估领域,目前临床上依然采用以附近正常血管作参考的狭窄程度来评定脑组织的缺血程度,但已有研究者参照冠脉领域,提出了血液压力比等动力学参数来对颅内动脉狭窄进行评估。
无论是哪种评估方法,血管三维形态学参数的获取都至关重要。当以形态学狭窄程度来评估时,血管形态学参数的计算可以准确量化狭窄程度;当以动力学参数进行评估时,血管三维形态参数和血流速度是动力学参数计算的两大输入。但现有的血管三维模型的重建步骤较为繁琐,需要人工操作的步骤较多,导致三维模型重建和狭窄参数计算的可重复性较差。
为了获得更准确的颅内动脉三维形态,现有的颅内动脉三维重建输入至少是两个投影角度的影像。因为设备本身误差和病人移动的影响,需要对不同角度影像的投影关系进行校正,传统方法需要人工选取匹配点来完成此校正过程。另外,由于颅内动脉血管树结构复杂,需要人工选取目标血管段,且当传统算法识别的轮廓较差时,也需人工调节目标血管轮廓。过多的人工操作导致了三维重建结果的可重复性较差,特别是校正过程中人工选取匹配点的过程对操作者要求较高,错误的人工选点会导致错误的校正结果,影响三维重建和狭窄参数计算。
发明内容
基于此,有必要针对上述技术问题,提供一种获得颅内动脉狭窄参数的方法。
本申请获得颅内动脉狭窄参数的方法,包括:
根据颅内动脉血管第一角度的第一DSA影像序列筛选获得第一关键帧;根据颅内动脉血管第二角度的第二DSA影像序列筛选获得第二关键帧;
对所述第一关键帧进行骨架线提取、关键分叉点识别、狭窄位置检测,利用关键分叉点获得含狭窄位置的第一角度目标血管;对所述第二关键帧进行骨架线提取、关键分叉点识别、狭窄位置检测,利用关键分叉点获得含狭窄位置的第二角度目标血管;
根据所述第一角度目标血管和第二角度目标血管,两者骨架线端点的匹配关系校正投影关系,重建获得目标血管三维模型及其三维中心线和三维轮廓;
基于所述三维中心线和三维轮廓获得中心线位置-直径曲线,进行第一次拟合后、去除中心线位置-直径曲线小于第一次拟合线的部分,将剩余中心线位置-直径曲线进行第二次拟合,拟合后获得中心线位置-参照直径曲线,根据所述中心线位置-直径曲线、中心线位置-参照直径曲线,获得中心线位置-直径狭窄率曲线。
可选的,所述方法包括:
基于所述中心线位置-直径曲线获得中心线位置-面积曲线,基于所述中心线位置-参照直径曲线获得中心线位置-参照面积曲线,根据所述中心线位置-面积曲线、中心线位置-参照面积曲线,获得中心线位置-面积狭窄率曲线。
可选的,根据颅内动脉血管第一角度的第一DSA影像序列筛选获得第一关键帧,具体包括:
在所述第一DSA影像序列中,统计所有帧的全部像素值,进而获得统计值所形成的统计区间,所述统计区间具有最大值和最小值;
获得具有第一界限和第二界限的判定区间,所述第一界限为所述最小值,所述第二界限处于所述最大值和最小值之间;
分别统计所述第一DSA影像序列各帧的像素值落入所述判定区间的像素点个数,将其中像素点个数最多的一帧作为第一关键帧。
可选的,对所述第一关键帧进行骨架线提取、关键分叉点识别、狭窄位置检测,利用关键分叉点获得含狭窄位置的第一角度目标血管,具体包括:
对所述第一关键帧进行骨架线提取,利用关键分叉点识别模型进行关键分叉点识别,对所述第一关键帧利用狭窄位置检测模型进行狭窄位置检测,利用分割模型对狭窄位置所在血管的关键分叉点之间的部分进行分割,进而从所述第一关键帧中截取获得第一角度目标血管;
所述第二界限为PPa+r*(PPb-PPa),其中r为小于等于0.5的系数,PPb为所述最大值,PPa为所述最小值。
可选的,所述方法包括:
获得造影剂流经所述第一角度目标血管和第二角度目标血管的平均时间,基于所述三维中心线的长度、所述平均时间、所述三维轮廓,获得颅内动脉狭窄血流动力学参数。
可选的,获得造影剂流经所述第一角度目标血管和第二角度目标血管的平均时间,包括:获得造影剂流经所述第一角度目标血管的第一时间,获得造影剂流经所述第二角度目标血管的第二时间,进而获得平均时间;
获得造影剂流经所述第一角度目标血管的第一时间,具体包括:
根据所述第一角度目标血管近端的像素值变化,获得起始帧,根据所述第一角度目标血管远端的像素值变化,获得终止帧,结合所述起始帧和终止帧,获得造影剂流经所述第一角度目标血管的第一时间。
可选的,根据所述第一角度目标血管近端的像素值变化,获得起始帧,具体包括:
任意一个时刻下,在所述第一角度目标血管的近端横截面线上,统计所有位置中的最小像素值,进而获得时间-统计密度曲线;
获得所述时间-统计密度曲线的像素最小值、初始帧像素值,进而获得判定阈值;
从所述像素最小值的所在帧,沿时间轴向前定位首个大于所述判定阈值的帧,综合时间轴上的其后一帧,获得所述起始帧。
可选的,获得判定阈值,利用下式进行:
LPT=LP0-k*△LP
式中,LPT为所述判定阈值,LP0为所述初始帧像素值,k为系数,△LP为所述初始帧像素值与所述像素最小值的差。
可选的,从所述像素最小值的所在帧,沿时间轴向前定位首个大于所述判定阈值的帧,综合时间轴上的其后一帧,获得所述起始帧,利用下式进行:
n1=ni+(LP1-LPT)/(LP1-LP2)
式中,n1为起始帧;
ni为首个大于所述判定阈值的帧,LP1为其像素值;
LPT为所述判定阈值,LP2为所述其后一帧的像素值。
本申请还提供一种获得颅内动脉狭窄参数的装置,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现本申请所述的获得颅内动脉狭窄参数的方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本申请所述的获得颅内动脉狭窄参数的方法的步骤。
本申请还提供一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现本申请所述的获得颅内动脉狭窄参数的方法的步骤。
本申请获得颅内动脉狭窄参数的方法至少具有以下效果:
本申请针对双角度DSA影像,将第一角度目标血管和第二角度目标血管的骨架线端点作为匹配点输入,能够自动对两角度影像序列的投影关系进行校正,省去对操作者要求较高的人工选点操作,得到更准确的投影关系,提高了获得颅内动脉狭窄参数的可靠性。
本申请通过寻找关键帧、进而获得目标血管,通过校正投影关系、准确地完成三维重建和参数计算等过程,能够实现流程自动化,可以对颅内动脉狭窄进行形态学评估,没有繁琐人工操作,使颅内动脉狭窄评估更加便利的同时,保证了三维重建结果的准确性和获得颅内动脉狭窄参数的可重复性。
附图说明
图1为本申请一实施例中获得颅内动脉狭窄参数方法的流程示意图;
图2为本申请一实施例中获得颅内动脉狭窄参数方法的流程框图;
图3和图4分别为本申请一实施例中获取的第一关键帧和第二关键帧示意图;
图5和图6分别为本申请一实施例中第一关键帧和第二关键帧的关键分叉点识别示意图;
图7和图8分别为本申请一实施中在第一关键帧和第二关键帧上预测出的狭窄所在的位置区域(虚线框为边界框);
图9和图10分别为本申请一实施例中获得的第一角度目标血管和第二角度目标血管示意图(以二值图形式记录);
图11为本申请一实施例中校正投影关系的过程示意图;
图12为本申请一实施例中重建获得目标血管三维模型的示意图;
图13为本申请一实施例中第一次拟合的示意图(图中实线为第一次拟合线);
图14为本申请一实施例中第二次拟合的示意图(图中实线为第二次拟合线);
图15为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
参见图1,本申请一实施例中提供一种获得颅内动脉狭窄参数的方法,包括:
步骤S100,根据颅内动脉血管第一角度的第一DSA影像序列筛选获得第一关键帧;根据颅内动脉血管第二角度的第二DSA影像序列筛选获得第二关键帧;
步骤S200,对第一关键帧进行骨架线提取、关键分叉点识别、狭窄位置检测,利用关键分叉点获得含狭窄位置的第一角度目标血管;对第二关键帧进行骨架线提取、关键分叉点识别、狭窄位置检测,利用关键分叉点获得含狭窄位置的第二角度目标血管;
步骤S300,根据第一角度目标血管和第二角度目标血管,两者骨架线端点的匹配关系校正投影关系,重建获得目标血管三维模型及其三维中心线和三维轮廓;
步骤S400,基于三维中心线和三维轮廓获得中心线位置-直径曲线,进行第一次拟合后、去除中心线位置-直径曲线小于第一次拟合线的部分,将剩余中心线位置-直径曲线进行第二次拟合,拟合后获得中心线位置-参照直径曲线,根据中心线位置-直径曲线、中心线位置-参照直径曲线,获得中心线位置-直径狭窄率曲线。
关键分叉点是生理解剖学中颅内动脉血管网络中的重要交叉点或分支点。例如用于区别椎动脉和基底动脉的分叉点为关键分叉点,具体在骨架线上识别获得。
本实施例针对双角度DSA影像,将第一角度目标血管和第二角度目标血管的骨架线端点作为匹配点输入,能够自动对两角度影像序列的投影关系进行校正,省去对操作者要求较高的人工选点操作,得到更准确的投影关系,提高了获得颅内动脉狭窄参数的可靠性。
本实施例针对颅内动脉双角度DSA影像序列,通过寻找关键帧、获得目标血管、校正投影关系、三维重建、参数计算等过程,能够完成流程自动化,可以对颅内动脉狭窄进行形态学评估,没有繁琐人工操作,使颅内动脉狭窄评估更加便利的同时,保证了三维重建结果的准确性和获得颅内动脉狭窄参数的可重复性。
在步骤S400中,中心线位置-直径曲线上小于第一次拟合线的部分可视为狭窄所在的部分,将此部分去除后,对剩余的中心线位置-直径曲线进行再次拟合,即可获得参照直径。
在一个实施例中,获得颅内动脉狭窄参数的方法包括步骤S500。
步骤S500,基于中心线位置-直径曲线获得中心线位置-面积曲线,基于中心线位置-参照直径曲线获得中心线位置-参照面积曲线,根据中心线位置-面积曲线、中心线位置-参照面积曲线,获得中心线位置-面积狭窄率曲线。
颅内动脉狭窄参数包括狭窄形态学参数、以及颅内动脉狭窄血流动力学参数。在一个实施例中,获得颅内动脉狭窄参数的方法包括步骤S600。
步骤S600具体包括:步骤S610,获得造影剂流经第一角度目标血管和第二角度目标血管的平均时间;步骤S620,基于三维中心线的长度、平均时间、三维轮廓,获得颅内动脉狭窄血流动力学参数。
参见图2~图14,在一个实施例中,提供一种获得颅内动脉狭窄参数的方法,包括(1)获取双角度病人颅内动脉血管DSA影像序列并提取关键帧;(2)使用深度学习的方法完成目标血管分割;(3)校正投影关系;(4)提取目标血管的中心线和轮廓线,根据投影关系计算得到目标血管三维模型;(5)计算狭窄形态学评估参数;(6)获得颅内动脉狭窄血流动力学参数。(1)~(6)对步骤S100~步骤S600的部分进行相应地解释和限定。
参见图3和图4,(1)获取双角度病人颅内动脉血管DSA影像序列并提取关键帧,对应步骤S100。
在步骤S100中,根据颅内动脉血管第一角度的第一DSA影像序列筛选获得第一关键帧,具体包括:在第一DSA影像序列中,统计所有帧的全部像素值,进而获得统计值所形成的统计区间,统计区间具有最大值和最小值;获得具有第一界限和第二界限的判定区间,第一界限为最小值,第二界限处于最大值和最小值之间,例如第二界限为PPa+r*(PPb-PPa),其中r为小于等于0.5的系数,PPb为最大值,PPa为最小值;分别统计第一DSA影像序列各帧的像素值落入判定区间的像素点个数,将其中像素点个数最多的一帧作为第一关键帧。
本步骤取像素值最低的一个区间作为标准造影剂像素范围,根据处于此范围内的像素点个数来判断关键帧,可以降低造影剂浓度变化对关键帧判断的影响。
在获取病人颅内动脉血管双角度DSA影像序列后(第一角度和第二角度的差大于25度),针对每个影像序列,对所有帧的全部像素值进行统计,统计结果为像素值范围在PPa~PPb。相比于背景部分,造影剂显影部分的像素值更低,故取像素值最低的一个区间作为标准造影剂像素范围,例如PPa~PPa+r*(PPb-PPa)。其中r取值范围建议0.2~0.5。统计每一帧影像中处于标准造影剂像素范围的像素个数,个数最多的一帧可以被认为是造影剂显影范围最广的一帧,即为此影像序列的关键帧。
参见图5~图10,(2)使用深度学习的方法完成目标血管分割,对应步骤S200。
在步骤S200中,对第一关键帧进行骨架线提取、关键分叉点识别、狭窄位置检测,利用关键分叉点获得含狭窄位置的第一角度目标血管,具体包括:对第一关键帧进行骨架线提取,利用关键分叉点识别模型进行关键分叉点识别、对所述第一关键帧利用狭窄位置检测模型进行狭窄位置检测,利用分割模型对狭窄位置所在血管的关键分叉点之间的部分进行分割,进而从第一关键帧中截取获得第一角度目标血管。基于关键分叉点识别模型、狭窄检测模型自动在血管树中提取目标血管分割结果,能够省去复杂的人工操作。
在利用分割模型时,分割模型可直接输出第一角度目标血管,即完成从从第一关键帧中截取获得第一角度目标血管的过程。第一角度目标血管,可采用第一角度目标血管值图的形式进行记录。
针对每个影像序列,针对关键帧影像提取血管树的骨架线,基于深度学习方法,依次使用关键分叉点识别模型、狭窄检测模型、分割模型完成目标血管分割,得到目标血管二值图。具体步骤为:对关键帧影像进行骨架提取得到血管树的骨架线(中心线),根据关键分叉点识别模型识别关键分叉点,找到不同血管段的分界位置。利用狭窄检测模型,在关键帧影像上预测出狭窄所在的位置区域,并用边界框框出;边界框的中心可能与实际的狭窄位置有所偏差,此时将距离边界框的中心相对较近的血管视为狭窄位置所在的血管。
参见图11,(3)校正投影关系,对应步骤S300的子步骤。
读取影像序列自带的角度、距离等造影信息,得到两角度影像造影体位的投影关系,基于两角度影像关键帧狭窄检测和关键分叉点识别结果,确定狭窄所在血管关键分叉点(第一角度目标血管和第二角度目标血管的骨架线端点),以此作为校正投影关系的匹配点输入,对投影关系进行校正,修正设备沉降、病人移动导致的投影参数误差。
(4)提取目标血管的中心线和轮廓线,根据投影关系计算得到目标血管三维模型,对应步骤S300的子步骤。
本步骤提取关键帧目标血管的中心线和轮廓线,根据投影关系逆向还原计算得到目标血管三维模型。
针对每个影像序列,使用目标血管的二值图,提取目标血管二维中心线和轮廓线,中心线和轮廓线都由足够多的、均匀的离散点组成。根据投影关系将两个二维中心线逆向还原得到三维中心线,针对两个角度,由二维中心线每个离散点与对应二维轮廓的距离得到二维中心线每个离散点的直径,再由投影关系可逆向推导得到对应的两个三维直径(根据投影关系计算得出)。根据每个位置的三维中心线离散点和对应两个三维直径得到每个三维中心线离散点位置的横截面轮廓拟合点云,整合所有的横截面轮廓点云可以得到目标血管三维轮廓的点云,即步骤S300中的三维轮廓,具体如图12所示。
参见图14,(5)计算狭窄形态学评估参数,对应步骤S400和步骤S500。
针对目标血管三维中心线每个离散点,计算其所在位置距离中心线狭窄近端端点沿轨迹方向上的距离,作为其位置参数,统计每个离散点三维直径相对于位置的变化关系,得到中心线位置-直径曲线,由中心线位置-直径曲线可以计算出中心线位置-面积曲线。
以下为参照直径分布计算的一种两次拟合方法:先对中心线长度-直径曲线进行一次线性拟合得到第一次拟合线,此时认为中心线长度-直径曲线中位于此拟合线下方的点处于狭窄位置,所以去除第一次拟合线下方的点后(如图14中所示,相对于图13已经去除第一次拟合线下的点),进行第二次线性拟合得到最终的拟合线即为中心线长度-参照直径曲线。
依此拟合出目标血管的三维参照直径分布,即中心线位置-参照直径曲线,由中心线位置-参照直径曲线可以计算出目标血管的中心线位置-参照面积曲线,针对中心线上的每一个位置,由1-实际直径/参照直径可以得到该位置的直径狭窄率,由1-实际面积/参照面积可以得到该位置的面积狭窄率。
(6)获得颅内动脉狭窄血流动力学参数,对应步骤S600及其子步骤。
具体地,步骤S610,获得造影剂流经第一角度目标血管和第二角度目标血管的平均时间,包括:步骤S611,获得造影剂流经第一角度目标血管的第一时间;步骤S612,获得造影剂流经第二角度目标血管的第二时间,步骤S613,进而获得平均时间。
本实施例第一角度目标血管和第二角度目标血管分别来源于双角度DSA影像序列,均为二维图像。第一角度目标血管和第二角度目标血管是指二维血管图像上的血管部分,例如表现为二值图形式。可以理解,患者真实的目标血管含狭血位置,目标血管在DSA影像成像时表现为不同角度的投影。造影剂流经患者目标血管时,第一角度目标血管和和第二角度目标血管作为投影,其时间密度曲线也相应地受到影响,从而可用于获得造影剂流经时间。而由于投影原因,利用第一角度目标血管和和第二角度目标血管获得的造影剂流经时间,可能存在偏差,本实施例对其取平均值。
其中,步骤S611,获得造影剂流经第一角度目标血管的第一时间,具体包括:根据第一角度目标血管近端的像素值变化,获得起始帧,根据第一角度目标血管远端的像素值变化,获得终止帧,结合起始帧和终止帧,获得造影剂流经第一角度目标血管的第一时间。
进一步地,根据第一角度目标血管近端的像素值变化,获得起始帧,具体包括:任意一个时刻下,在第一角度目标血管的近端横截面线上,统计所有位置中的最小像素值,进而获得时间-统计密度曲线;获得时间-统计密度曲线的像素最小值、初始帧像素值,进而获得判定阈值;从像素最小值的所在帧,沿时间轴向前定位首个大于判定阈值的帧,综合时间轴上的其后一帧,获得起始帧。
本实施例统计近端横截面线上所有时刻下的最小值像素值,得到时间-统计密度曲线,进而完成判定阈值实现自动数帧。相对于采用近端横截面线某个像素点的时间密度曲线,检测造影剂是否流入的方案,本实施例对造影剂流入的检测更加灵敏。
获得判定阈值,可利用下式进行:LPT=LP0-k*△LP,式中,LPT为所述判定阈值,LP0为所述初始帧像素值,k为系数,△LP为所述初始帧像素值与所述像素最小值的差。
从像素最小值的所在帧,沿时间轴向前定位首个大于判定阈值的帧,综合时间轴上的其后一帧,获得起始帧,利用下式进行:n1=ni+(LP1-LPT)/(LP1-LP2)式中,n1为起始帧;ni为首个大于所述判定阈值的帧,LP1为其像素值;LPT为所述判定阈值,LP2为所述其后一帧的像素值。
具体地,针对每个影像序列,将目标血管近端横截面线和目标血管远端横截面线分别作为起始帧和终止帧的数帧位置。以第一角度目标血管为例,目标血管近端即第一角度目标血管的近端横截面线,目标血管远端即第一角度目标血管的远端横截面线。在近端和远端的数帧位置,分别通过自动数帧方法得到造影剂流经目标血管的起始帧n1,终止帧n2,两帧之差除以影像序列的帧率c,则可得到造影剂流经目标血管所用时间t:t = (n2-n1)/c,然后对两个影像序列的时间结果取平均值。
其中自动数帧方法如下所述:统计影像所有帧数帧位置上血管横截面二维截面线上最小像素值,得到数帧位置的时间-统计密度曲线,以曲线上像素最小值LPmin和初始帧像素值LP0的差值△LP乘以系数k得到初始帧像素值和判定阈值的差值,利用下式得到判定阈值LPT=LP0-k*△LP,k取值范围建议0~0.2。可认为当数帧位置的像素值低于判定阈值时,造影剂已经流到了数帧位置。
为了消除噪声或其他能引起像素值波动因素的影响,由像素最小值所在帧向前寻找,找到第一次数帧位置像素值大于判定阈值的帧,确定数帧结果的整数部分,之后综合其后一帧像素值,线性插值得到数帧结果的小数部分。
具体地,由像素最小值所在帧向前寻找,找到第一次数帧位置像素值大于阈值的帧为ni帧,像素值LP1,n+1帧的像素值为LP2,线性插值得到数帧结果n1=ni+(LP1-LPT)/(LP1-LP2)。同理可得到狭窄远端数帧结果为n2,读取影像信息可知影像帧率c,则可得到造影剂流经目标血管的时间差:t = (n2- n1)/c。
步骤S620,基于三维中心线的长度、平均时间、三维轮廓,获得颅内动脉狭窄血流动力学参数,包括:基于三维中心线的长度、平均时间,获得平均血流速度;基于三维中心线、三维轮廓、平均时间,获得平均血液流量;基于三维中心线、三维轮廓、所述平均血流速度,获得血液压力下降值;基于测量获得的近端压力、以及所述血液压力下降值,获得血液压力比。
由目标血管三维模型和造影剂流经目标血管所用时间(平均时间)可以计算得到平均血流速度、平均血液流量、血液压力下降值、血液压力比等狭窄动力学评估参数,具体计算方法如下:
①平均血流速度:累加三维中心线点云间距离得到三维中心线的长度L,结合造影剂流经目标血管的所用时间t,可以得到造影剂流经目标血管的平均速度:v = L/t,血液平均流速则和造影剂平均流速近似相等。
②平均血液流量:三维中心线点云包括N段,N段三维中心线具有N+1个离散点,结合每个离散点对应的三维直径信息,可以计算得到目标血管每个位置的截面积Si,结合每段血管的长度li可以得到目标血管的体积,结合造影剂流经目标血管的所用时间t,通过以下方法可以计算得到血液平均血液流量。
③血液压力下降值:使用目标血管的三维模型参数和血流速度,考虑扩张压降、粘性压降和伯努利变化项,依据血流动力学计算血液经过目标血管的血液压力下降值ΔP=a*v+b*v2+c*v,其中a为粘性损失系数,b为扩张损失系数,c为伯努利系数,b和c的数值都与血管三维形态相关。
④血液压力比:由近端压力Pa和目标血管血液压力下降值ΔP相减得到目标血管远端压力Pd,可以通过Pd/Pa得到血液压力比。其中Pa可由指引导管和压力传感器测得。
本申请各实施例通过寻找关键帧、分割目标血管、校正投影关系、三维重建、自动数帧、动力学评估参数计算等过程完成平均血流速度、平均血液流量、血液压力下降值、血液压力比等参数的自动计算,可以对颅内动脉狭窄引起的颅内缺血程度进行评估,没有繁琐人工操作,使颅内动脉狭窄评估更加便利的同时,保证了评估过程的可重复性。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供一种获得颅内动脉狭窄参数的装置,获得颅内动脉狭窄参数的装置例如可以采用计算机设备,该计算机设备可以是终端,其内部结构图可以如图15所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种获得颅内动脉狭窄参数的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,提供了一种获得颅内动脉狭窄参数的装置,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤S100,根据颅内动脉血管第一角度的第一DSA影像序列筛选获得第一关键帧;根据颅内动脉血管第二角度的第二DSA影像序列筛选获得第二关键帧;
步骤S200,对第一关键帧进行骨架线提取、关键分叉点识别、狭窄位置检测,利用关键分叉点获得含狭窄位置的第一角度目标血管;对第二关键帧进行骨架线提取、关键分叉点识别、狭窄位置检测,利用关键分叉点获得含狭窄位置的第二角度目标血管;
步骤S300,根据第一角度目标血管和第二角度目标血管,两者骨架线端点的匹配关系校正投影关系,重建获得目标血管三维模型及其三维中心线和三维轮廓;
步骤S400,基于三维中心线和三维轮廓获得中心线位置-直径曲线,进行第一次拟合后、去除中心线位置-直径曲线小于第一次拟合线的部分,将剩余中心线位置-直径曲线进行第二次拟合,拟合后获得中心线位置-参照直径曲线,根据中心线位置-直径曲线、中心线位置-参照直径曲线,获得中心线位置-直径狭窄率曲线。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤S100,根据颅内动脉血管第一角度的第一DSA影像序列筛选获得第一关键帧;根据颅内动脉血管第二角度的第二DSA影像序列筛选获得第二关键帧;
步骤S200,对第一关键帧进行骨架线提取、关键分叉点识别、狭窄位置检测,利用关键分叉点获得含狭窄位置的第一角度目标血管;对第二关键帧进行骨架线提取、关键分叉点识别、狭窄位置检测,利用关键分叉点获得含狭窄位置的第二角度目标血管;
步骤S300,根据第一角度目标血管和第二角度目标血管,两者骨架线端点的匹配关系校正投影关系,重建获得目标血管三维模型及其三维中心线和三维轮廓;
步骤S400,基于三维中心线和三维轮廓获得中心线位置-直径曲线,进行第一次拟合后、去除中心线位置-直径曲线小于第一次拟合线的部分,将剩余中心线位置-直径曲线进行第二次拟合,拟合后获得中心线位置-参照直径曲线,根据中心线位置-直径曲线、中心线位置-参照直径曲线,获得中心线位置-直径狭窄率曲线。
在一个实施例中,提供了一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现以下步骤:
步骤S100,根据颅内动脉血管第一角度的第一DSA影像序列筛选获得第一关键帧;根据颅内动脉血管第二角度的第二DSA影像序列筛选获得第二关键帧;
步骤S200,对第一关键帧进行骨架线提取、关键分叉点识别、狭窄位置检测,利用关键分叉点获得含狭窄位置的第一角度目标血管;对第二关键帧进行骨架线提取、关键分叉点识别、狭窄位置检测,利用关键分叉点获得含狭窄位置的第二角度目标血管;
步骤S300,根据第一角度目标血管和第二角度目标血管,两者骨架线端点的匹配关系校正投影关系,重建获得目标血管三维模型及其三维中心线和三维轮廓;
步骤S400,基于三维中心线和三维轮廓获得中心线位置-直径曲线,进行第一次拟合后、去除中心线位置-直径曲线小于第一次拟合线的部分,将剩余中心线位置-直径曲线进行第二次拟合,拟合后获得中心线位置-参照直径曲线,根据中心线位置-直径曲线、中心线位置-参照直径曲线,获得中心线位置-直径狭窄率曲线。
本实施例中,计算机程序产品包括程序代码部分,以用于当计算机程序产品由一个或多个计算装置执行时,执行本申请各实施例中获得颅内动脉狭窄参数的方法的步骤。计算机程序产品可被存储在计算机可读记录介质上。还可经由数据网络(例如,通过RAN、经由因特网和/或通过RBS)提供计算机程序产品以便下载。备选地或附加地,该方法可被编码在现场可编程门阵列(FPGA)和/或专用集成电路(ASIC)中,或者功能性可借助于硬件描述语言被提供以便下载。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。不同实施例中的技术特征体现在同一附图中时,可视为该附图也同时披露了所涉及的各个实施例的组合例。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.获得颅内动脉狭窄参数的方法,其特征在于,包括:
根据颅内动脉血管第一角度的第一DSA影像序列筛选获得第一关键帧,包括:在所述第一DSA影像序列中,统计所有帧的全部像素值,进而获得统计值所形成的统计区间,所述统计区间具有最大值和最小值,获得具有第一界限和第二界限的判定区间,所述第一界限为所述最小值,所述第二界限处于所述最大值和最小值之间,分别统计所述第一DSA影像序列各帧的像素值落入所述判定区间的像素点个数,将其中像素点个数最多的一帧作为第一关键帧;根据颅内动脉血管第二角度的第二DSA影像序列筛选获得第二关键帧;
对所述第一关键帧进行骨架线提取、关键分叉点识别、狭窄位置检测,利用关键分叉点获得含狭窄位置的第一角度目标血管;对所述第二关键帧进行骨架线提取、关键分叉点识别、狭窄位置检测,利用关键分叉点获得含狭窄位置的第二角度目标血管;
根据所述第一角度目标血管和第二角度目标血管,两者骨架线端点的匹配关系校正投影关系,重建获得目标血管三维模型及其三维中心线和三维轮廓;
基于所述三维中心线和三维轮廓获得中心线位置-直径曲线,进行第一次拟合后、去除中心线位置-直径曲线小于第一次拟合线的部分,将剩余中心线位置-直径曲线进行第二次拟合,拟合后获得中心线位置-参照直径曲线,根据所述中心线位置-直径曲线、中心线位置-参照直径曲线,获得中心线位置-直径狭窄率曲线。
2.如权利要求1所述的方法,其特征在于,所述方法包括:
基于所述中心线位置-直径曲线获得中心线位置-面积曲线,基于所述中心线位置-参照直径曲线获得中心线位置-参照面积曲线,根据所述中心线位置-面积曲线、中心线位置-参照面积曲线,获得中心线位置-面积狭窄率曲线。
3.如权利要求1所述的方法,其特征在于,对所述第一关键帧进行骨架线提取、关键分叉点识别、狭窄位置检测,利用关键分叉点获得含狭窄位置的第一角度目标血管,具体包括:
对所述第一关键帧进行骨架线提取,利用关键分叉点识别模型进行关键分叉点识别,对所述第一关键帧利用狭窄位置检测模型进行狭窄位置检测,利用分割模型对狭窄位置所在血管的关键分叉点之间的部分进行分割,进而从所述第一关键帧中截取获得第一角度目标血管;
所述第二界限为PPa+r*(PPb-PPa),其中r为小于等于0.5的系数,PPb为所述最大值,PPa为所述最小值。
4.如权利要求1所述的方法,其特征在于,所述方法包括:
获得造影剂流经所述第一角度目标血管和第二角度目标血管的平均时间,基于所述三维中心线的长度、所述平均时间、所述三维轮廓,获得颅内动脉狭窄血流动力学参数。
5.如权利要求4所述的方法,其特征在于,获得造影剂流经所述第一角度目标血管和第二角度目标血管的平均时间,包括:获得造影剂流经所述第一角度目标血管的第一时间,获得造影剂流经所述第二角度目标血管的第二时间,进而获得平均时间;
获得造影剂流经所述第一角度目标血管的第一时间,具体包括:
根据所述第一角度目标血管近端的像素值变化,获得起始帧,根据所述第一角度目标血管远端的像素值变化,获得终止帧,结合所述起始帧和终止帧,获得造影剂流经所述第一角度目标血管的第一时间。
6.如权利要求5所述的方法,其特征在于,根据所述第一角度目标血管近端的像素值变化,获得起始帧,具体包括:
任意一个时刻下,在所述第一角度目标血管的近端横截面线上,统计所有位置中的最小像素值,进而获得时间-统计密度曲线;
获得所述时间-统计密度曲线的像素最小值、初始帧像素值,进而获得判定阈值;
从所述像素最小值的所在帧,沿时间轴向前定位首个大于所述判定阈值的帧,综合时间轴上的其后一帧,获得所述起始帧。
7.如权利要求6所述的方法,其特征在于,获得判定阈值,利用下式进行:
LPT=LP0-k*△LP
式中,LPT为所述判定阈值,LP0为所述初始帧像素值,k为系数,△LP为所述初始帧像素值与所述像素最小值的差。
8.如权利要求7所述的方法,其特征在于,从所述像素最小值的所在帧,沿时间轴向前定位首个大于所述判定阈值的帧,综合时间轴上的其后一帧,获得所述起始帧,利用下式进行:
n1=ni+(LP1-LPT)/(LP1-LP2)
式中,n1为起始帧;
ni为首个大于所述判定阈值的帧,LP1为其像素值;
LPT为所述判定阈值,LP2为所述其后一帧的像素值。
9.获得颅内动脉狭窄参数的装置,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现如权利要求1~8任一项所述的获得颅内动脉狭窄参数的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969766.XA CN116704149B (zh) | 2023-08-03 | 2023-08-03 | 获得颅内动脉狭窄参数的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969766.XA CN116704149B (zh) | 2023-08-03 | 2023-08-03 | 获得颅内动脉狭窄参数的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116704149A CN116704149A (zh) | 2023-09-05 |
CN116704149B true CN116704149B (zh) | 2023-11-14 |
Family
ID=87832480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310969766.XA Active CN116704149B (zh) | 2023-08-03 | 2023-08-03 | 获得颅内动脉狭窄参数的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704149B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111657883A (zh) * | 2020-06-03 | 2020-09-15 | 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 |
CN111754506A (zh) * | 2020-07-01 | 2020-10-09 | 杭州脉流科技有限公司 | 基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质 |
CN112494022A (zh) * | 2020-11-26 | 2021-03-16 | 苏州润迈德医疗科技有限公司 | 获取冠状动脉血管评价参数的方法及存储介质 |
CN114170134A (zh) * | 2021-11-03 | 2022-03-11 | 杭州脉流科技有限公司 | 基于颅内dsa影像的狭窄评估方法及装置 |
CN116035549A (zh) * | 2022-11-23 | 2023-05-02 | 杭州脉流科技有限公司 | 获得冠脉血流储备分数的方法和计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8526699B2 (en) * | 2010-03-12 | 2013-09-03 | Siemens Aktiengesellschaft | Method and system for automatic detection and classification of coronary stenoses in cardiac CT volumes |
-
2023
- 2023-08-03 CN CN202310969766.XA patent/CN116704149B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111657883A (zh) * | 2020-06-03 | 2020-09-15 | 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 |
CN111754506A (zh) * | 2020-07-01 | 2020-10-09 | 杭州脉流科技有限公司 | 基于腔内影像的冠脉狭窄率计算方法、装置、系统和计算机存储介质 |
CN112494022A (zh) * | 2020-11-26 | 2021-03-16 | 苏州润迈德医疗科技有限公司 | 获取冠状动脉血管评价参数的方法及存储介质 |
CN114170134A (zh) * | 2021-11-03 | 2022-03-11 | 杭州脉流科技有限公司 | 基于颅内dsa影像的狭窄评估方法及装置 |
CN116035549A (zh) * | 2022-11-23 | 2023-05-02 | 杭州脉流科技有限公司 | 获得冠脉血流储备分数的方法和计算机设备 |
Non-Patent Citations (2)
Title |
---|
DSA三维重建技术在诊断颅内动脉狭窄中的意义;杨忠群 等;医疗卫生装备(第11期);全文 * |
Semi-supervised segmentation of coronary DSA using mixed networks and multi-strategies;Yao Pu .etal;Computers in Biology and Medicine;第156卷;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116704149A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230075598A1 (en) | Lumen Morphology And Vascular Resistance Measurements Data Collection Systems Apparatus And Methods | |
JP6845167B2 (ja) | 管腔形態および血管抵抗測定データ収集のシステム、装置および方法 | |
US10617473B2 (en) | Method and system for evaluating FFR on the basis of virtual stent implantation | |
US20050249391A1 (en) | Method for segmentation of IVUS image sequences | |
JP2021140820A (ja) | 血管内画像における影の検出および検証 | |
CN114170134B (zh) | 基于颅内dsa影像的狭窄评估方法及装置 | |
WO2014092755A1 (en) | Method and apparatus for automated determination of a lumen contour of a blood vessel | |
CN110910370B (zh) | 一种cta图像冠脉狭窄检测的方法及装置 | |
CN117058327A (zh) | 获得冠脉血流储备分数的方法和计算机设备 | |
CN116616804B (zh) | 颅内动脉狭窄评估参数获取方法、装置、设备和存储介质 | |
CN112419276A (zh) | 调节血管轮廓及中心线的方法及存储介质 | |
CN117036530B (zh) | 基于跨模态数据的冠状动脉血流储备分数预测方法及装置 | |
CN116704149B (zh) | 获得颅内动脉狭窄参数的方法和装置 | |
CN112651984A (zh) | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 | |
CN116649996B (zh) | 获得颅内动脉狭窄血流动力学参数的方法和装置 | |
CN115761132A (zh) | 自动重构冠脉三维模型的方法及装置 | |
CN117078711A (zh) | 医学图像分割方法、系统、电子设备和存储介质 | |
CN116681704B (zh) | 颅内血管血流量获取方法、计算机设备和可读存储介质 | |
KR102000615B1 (ko) | 관상동맥의 시작점을 자동으로 추출하기 위한 방법 및 그 장치 | |
CN116681691A (zh) | 一种血管中血流速度的确定方法及确定装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |