CN116942104B - 一种用于测量在体局部循环血管的智能观测方法 - Google Patents
一种用于测量在体局部循环血管的智能观测方法 Download PDFInfo
- Publication number
- CN116942104B CN116942104B CN202311218600.0A CN202311218600A CN116942104B CN 116942104 B CN116942104 B CN 116942104B CN 202311218600 A CN202311218600 A CN 202311218600A CN 116942104 B CN116942104 B CN 116942104B
- Authority
- CN
- China
- Prior art keywords
- sequence
- blood vessel
- periodic
- deformation
- envelope
- 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
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 156
- 230000004087 circulation Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001727 in vivo Methods 0.000 title claims abstract description 25
- 230000000737 periodic effect Effects 0.000 claims abstract description 91
- 238000002372 labelling Methods 0.000 claims abstract description 42
- 238000013507 mapping Methods 0.000 claims abstract description 24
- 230000017531 blood circulation Effects 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 230000002792 vascular Effects 0.000 claims abstract description 10
- 230000001678 irradiating effect Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000009877 rendering Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000010247 heart contraction Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 8
- 239000003814 drug Substances 0.000 description 7
- 210000002850 nasal mucosa Anatomy 0.000 description 7
- 229940079593 drug Drugs 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000000420 mucociliary effect Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 210000003928 nasal cavity Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000007310 pathophysiology Effects 0.000 description 1
- 239000000546 pharmaceutical excipient Substances 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000004855 vascular circulation Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4887—Locating particular structures in or on the body
- A61B5/489—Blood vessels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Hematology (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Vascular Medicine (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种用于测量在体局部循环血管的智能观测方法，属于智能观测技术领域，其方法包括：根据心跳周期对局部循环血管进行周期性照射，捕捉得到每个时刻下的反射光信息并进行预处理，构建得到周期性循环血管集；对同位置的血管形变情况进行统计，得到每个位置的第一周期性形变序列；采集包含局部循环血管的三维图像，并对三维图像进行预标注，且对预标注图像进行血管分割，得到若干三维曲面，并将三维曲面进行二维映射，构建得到二维图像；构建得到每个位置的第二周期性形变序列；将所有周期性性形变序列进行对比分析，确定局部循环血管的构造以及血流向，并判定局部循环血管是否存在异常。提高观测的精准性，便于辅助治疗。
Description
技术领域
本发明涉及智能观测技术领域，特别涉及一种用于测量在体局部循环血管的智能观测方法。
背景技术
鼻腔黏膜内含有丰富的血管，循环血管的收缩和舒张是鼻腔黏膜病理生理的主要影响因素。同时，鼻黏膜的局部血管循环是鼻腔能够快速吸收药物的生理结构基础，药物对循环血管的作用效果影响药物经鼻黏膜吸收的效率。黏膜内的循环血管的生理状态影响鼻黏膜黏液纤毛清除功能。因此，能够在体同步评价鼻黏膜黏液纤毛清除功能和分析鼻用药物对循环血管影响的方法具有重要意义。在体情况实时观察药物对毛细血管的影响可以更好的去分析鼻用药物及赋形剂对黏液纤毛清除功能和局部循环血管的影响。现在目前尚无可以应用于在体观测鼻黏膜局部循环血管的方法。因此，本发明提出一种用于测量在体局部循环血管的智能观测方法。
发明内容
本发明提供一种用于测量在体局部循环血管的智能观测方法，用以通过周期性照射以及周期性单位图像采集，为局部循环血管的精准分析提供基础，且通过进行周期性序列的对比分析，来确定局部循环血管的构造和流向，提高观测的精准性，便于辅助治疗。
本发明提供一种用于测量在体局部循环血管的智能观测方法，包括：
步骤1：根据心跳周期对局部循环血管进行周期性照射，捕捉得到每个时刻下的反射光信息，并对不同时刻下的反射光信息进行预处理，构建得到周期性循环血管集；
步骤2：根据所述周期性循环血管集对同位置的血管形变情况进行统计，得到每个位置的第一周期性形变序列；
步骤3：采集包含所述局部循环血管的三维图像，并对所述三维图像进行预标注，且对预标注图像进行血管分割，得到若干三维曲面，并将所述三维曲面进行二维映射，构建得到二维图像；
步骤4：获取周期性二维图像，构建得到每个位置的第二周期性形变序列；
步骤5：将所述第一周期性形变序列、第二周期性形变序列以及标准周期性形变序列进行对比分析，确定局部循环血管的构造以及血流向，并判定局部循环血管是否存在异常。
优选的，根据心跳周期对局部循环血管进行周期性照射之前，包括：
根据历史心脏收缩规律，确定不同规律下的历史周期；
从所有历史周期中筛选最大周期作为第一周期，同时，从所有历史周期中筛选最高频次周期作为第二周期；
根据所述第一周期以及第二周期，得到心跳周期Z1：
；
其中，T1表示第一周期；T2表示第二周期；n1表示历史周期中存在的周期数量；n2表示最高频次周期的出现次数；表示所有周期数量中除去最高频次周期数量之外的剩余周期的平均值；[ ]表示取整符号。
优选的，对不同时刻下的反射光信息进行预处理，构建得到周期性循环血管集，包括：
确定周期性照射设备的设备工作属性；
确定每个位置的反射信息的反射能量，并从属性-能量-转换映射表调取与所述反射能量匹配的转换系数，构建得到初始图像；
根据周期性照射设备与局部循环血管在对应照射时刻的照射位置关系以及照射环境，确定对应时刻对于每个位置的照射影响因子；
基于所述照射影响因子，对所述初始图像上的匹配边界点进行调整，得到对应时刻的循环血管图像，并统计得到周期性循环血管集。
优选的，根据所述周期性循环血管集对同位置的血管形变情况进行统计，得到每个位置的第一周期性形变序列，包括：
获取每个时刻下同个位置的内血管宽度以及外血管宽度，得到血管数组；
将同位置的第一时刻与相邻第二时刻的血管数组进行同内部以及同外部比较，得到第一平均形变值，直到同位置周期性比较结束，得到第一阵列；
将同位位置的第一时刻的血管数组分别与对应位置的标准数据进行同内部以及同外部比较，得到第二平均形变值，直到同位置周期性比较结束，得到第二阵列；
基于所述第二阵列对第一阵列进行修正，得到第一周期性形变序列。
优选的，对所述三维图像进行预标注，包括：
根据血管标注标准，自动对所述三维图像中符合要求的血管进行相应的包络标注；
根据包络标注结果，得到预标注图像；
其中，所述血管标注标准包含若干标注要求，且每个标注要求对应的显著性标注颜色不同。
优选的，对预标注图像进行血管分割，得到若干三维曲面，并将所述三维曲面进行二维映射，构建得到二维图像，包括：
将预标注图像输入到特征分析模型中，输出相邻包络之间的衔接特征；
将所述预标注图像输入到曲面获取模型中，确定每个包络的中心线并输出相应的初始曲面，且根据所述初始曲面中各顶点的第一特征以及所述中心线与对应包络的包裹特征，对所述初始曲面进行优化，得到对应包络的优化曲面；
根据优化曲面上的包络与相邻曲面的包络之间的中心线的线关系以及与相邻曲面的包络的衔接特征，将优化曲面进行拼接融合及自交检测，得到三维曲面；
根据每个三维曲面的曲面像素点进行内部包络的像素拟合，得到包络矢量，并将同个三维曲面中同标注的所有包络矢量与对应标注的标准矢量进行距离计算得到距离序列，并进行距离拟合，得到拟合直线；
若所述拟合直线的直线系数在预设范围内，则判定对应同标注的包络合格；
若不在预设范围内，则筛选距离序列中不符合距离差值标准的序列所对应的标注，进行异常标注；
获取异常标注的包络像素，并按照同标注包络一致原则，对相应异常包络进行重新标注，得到合格包络；
基于所有合格包络，对相应三维曲面进行更新；
将更新后的三维曲面按照从上到下、从左到右的方向，依次进行单位面积的归一化处理，得到每个单位块的归一化数组；
对所述归一化数据中的第一值与第二值进行权加处理，得到最后值，其中，所述第一值、第二值与对应单位块中的包络标注结果以及包络中包含的像素信息相关；
将所述三维曲面进行二维映射，并根据所述最后值对二维映射结果中的单位块进行渲染，得到二维图像。
优选的，将所述第一周期性形变序列、第二周期性形变序列以及标准周期性形变序列进行对比分析，确定局部循环血管的构造以及血流向，包括：
将所述第一周期性形变序列、第二周期性形变序列以及标准周期性形变序列进行位置对齐，构建得到同时刻下的形变矩阵X:
；
其中，表示形变矩阵中第i行第j列的形变值，且i的取值范围为[1,n]，j的取值范围为[1,2,3]；其中，所述形变矩阵的行为同时刻下每个位置的形变值，所述形变矩阵的列为不同时刻下同位置的形变值，n表示局部循环血管中的位置总个数；
计算形变矩阵X中每列的偏离程度，并筛选最大偏离度；
若，则根据/>对相应列的第一序列以及第二序列进行调整；
若，则根据/>对相应列的第一序列以及第二序列进行调整；
否则，根据对相应列的第一序列以及第二序列进行调整；
根据调整结果，对同时刻下的形变矩阵X进行更新，得到同时刻下的血管更新形变序列，进而得到周期性更新序列，且结合血管流动标准，确定局部循环血管的构造以及血流向;
其中，调整过程如下：
；
其中，表示对第一序列进行调整后的值；/>表示对应第一序列的值；当时，/>表示对应第一序列所对应存在一个相邻序列的值；当/>时，/>表示对应第一序列所对应存在左相邻序列的值，/>表示对应第一序列所对应存在右相邻序列的值；/>表示对第二序列进行调整后的值；/>表示对应第二序列的值；j1的取值为1、2、3，当j1为1时，/>；
当j1为2时，；当j1为3时，；/>为第二调节系数；/>为第一调节系数；/>表示偏离阈值。
优选的，判定局部循环血管是否存在异常，包括：
将同周期下不同时刻的局部循环血管的标准构造与对应时刻下所确定的构造进行第一比较；
同时，获取所述局部循环血管的标准流动情况，并与所确定的血流向进行不同时刻下的第二比较；
若第一比较结果以及第二比较结果都为一致结果，则判定局部循环血管不存在异常；
否则，判定存在异常。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种用于测量在体局部循环血管的智能观测方法的流程图；
图2为本发明实施例中预标注图像的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供一种用于测量在体局部循环血管的智能观测方法，如图1所示，包括：
步骤1：根据心跳周期对局部循环血管进行周期性照射，捕捉得到每个时刻下的反射光信息，并对不同时刻下的反射光信息进行预处理，构建得到周期性循环血管集；
步骤2：根据所述周期性循环血管集对同位置的血管形变情况进行统计，得到每个位置的第一周期性形变序列；
步骤3：采集包含所述局部循环血管的三维图像，并对所述三维图像进行预标注，且对预标注图像进行血管分割，得到若干三维曲面，并将所述三维曲面进行二维映射，构建得到二维图像；
步骤4：获取周期性二维图像，构建得到每个位置的第二周期性形变序列；
步骤5：将所述第一周期性形变序列、第二周期性形变序列以及标准周期性形变序列进行对比分析，确定局部循环血管的构造以及血流向，并判定局部循环血管是否存在异常。
该实施例中，心跳周期是为了进行后续周期性照射，来获取一个周期内的血管信息，方便分析。
该实施例中，局部循环血管可以是鼻腔循环血管、大脑循环血管、心脏循环血管等，周期性照射是为了可以获取一个完整周期的血流情况，且采用预设波段的激光进行照射，来获取每个时刻下的血管图像。
该实施例中，在照射的过程中会存在能量发射与反射的情况，所以，可以获取得到反射光信息，对反射光信息进行能量转换，就可以得到局部循环血管的图像，由于一个周期中包含若干时刻，所以，所有时刻下的图像即为周期性循环血管集。
该实施例中，血管形变情况是通过对血管在不同时刻下的扩缩情况进行分析得到的，比如：心跳周期包含：时刻1、时刻2以及时刻3，且时刻1下位置1的血管宽度为a1，时刻2下位置1的血管宽度为a2，时刻3下位置1的血管的宽度为a3，此时，第一周期性形变序列中，针对位置1的形变序列：{a1 a2 a3}，且针对周期循环血管中的剩余位置的形变序列与位置1的形变序列的获取方式一致。
该实施例中，三维图像指的是针对局部循环血管的三维图像，且可以采用造影技术来得到。
该实施例中，由于每根血管的所对应提供的支撑作用是不一样的，且血管有粗有细，因此，通过对三维图像进行预标注，来进行血管分割，可以获取得到若干三维曲面，且预标注可以是按照血管粗细进行的标注，因为不同血管所对应的大小粗细是不一样的。
该实施例中，血管分割就是为了将粗细在某个范围内的血管进行归类，且结合三维图像的预设划分方向，进行划分，得到若干三维曲面。
该实施例中，二维映射指的是将三维曲面映射到二维平面，得到二维图像。
该实施例中，周期性二维图像指的是基于心跳周期获取每个时刻下的二维图像，方便构建形变序列，且时刻1下位置1的血管宽度为c1，时刻2下位置1的血管宽度为c2，时刻3下位置1的血管的宽度为c3,第二周期性形变序列中，针对位置1的形变序列：{c1 c2 c3}，且针对周期循环血管中的剩余位置的形变序列与位置1的形变序列的获取方式一致。
血管处于标准无任何异常的情况下，时刻1下位置1的标准宽度为b1，时刻2下位置1的标准宽度为b2，时刻3下位置1的标准宽度为b3，此时，与标准形变序列进行对比分析之后，针对照射后的位置1的形变序列：{b1-a1 b2-a2 b3-a3}，针对三维图像所确定的位置1的形变序列：{b1-c1 b2-c2 b3-c3}。
该实施例中，对比分析的目的是为了判定局部循环血管的构造以及血流向，根据人体血液流动机制，在确定出相关的形变之后，是可以直接确定出血液流向的：
比如：位置1：d11、d12、d13，位置2：d21、d22、d23，位置3：d31、d32、d33，通过：d11~d21~d31，d12~d22~d32，d13~d23~d33的变化情况，可以直接确定出血液流向，以及根据形变可以直接确定出血管的具体粗细轮廓，进而得到构造。
上述技术方案的有益效果是：通过周期性照射以及周期性单位图像采集，为局部循环血管的精准分析提供基础，且通过进行周期性序列的对比分析，来确定局部循环血管的构造和流向，提高观测的精准性，便于辅助治疗。
本发明提供一种用于测量在体局部循环血管的智能观测方法，根据心跳周期对局部循环血管进行周期性照射之前，包括：
根据历史心脏收缩规律，确定不同规律下的历史周期；
从所有历史周期中筛选最大周期作为第一周期，同时，从所有历史周期中筛选最高频次周期作为第二周期；
根据所述第一周期以及第二周期，得到心跳周期Z1：
；
其中，T1表示第一周期；T2表示第二周期；n1表示历史周期中存在的周期数量；n2表示最高频次周期的出现次数；表示所有周期数量中除去最高频次周期数量之外的剩余周期的平均值；[ ]表示取整符号。
该实施例中，由于每个人的心脏收缩周期都是不一样的，会存在一定的差异，所以，来获取历史周期，比如，历史周期为：t01、t02、t03等。
上述技术方案的有益效果是：通过确定历史周期，并筛选最大周期以及高频次的第二周期，来得到心跳周期，保证后续在获取周期性图像时，所获取图像的完整性，为后续观测提供基础。
本发明提供一种用于测量在体局部循环血管的智能观测方法，对不同时刻下的反射光信息进行预处理，构建得到周期性循环血管集，包括：
确定周期性照射设备的设备工作属性；
确定每个位置的反射信息的反射能量，并从属性-能量-转换映射表调取与所述反射能量匹配的转换系数，构建得到初始图像；
根据周期性照射设备与局部循环血管在对应照射时刻的照射位置关系以及照射环境，确定对应时刻对于每个位置的照射影响因子；
基于所述照射影响因子，对所述初始图像上的匹配边界点进行调整，得到对应时刻的循环血管图像，并统计得到周期性循环血管集。
该实施例中，周期性照射设备的设备工作属性与设备的照射频率以及设备在工作中存在的不可消除的设备误差相关，属性-能量-转换映射表是包含不同的设备工作属性、与之对应的能量以及所匹配的转换系数在内，所以，可以直接获取得到转换系数，来构建初始图像，比如，针对位置1的反射能量是f01，转换系数为k01，此时，根据f01*k01直接获取得到对应位置1的像素值，得到初始图像。
该实施例中，照射位置关系指的是设备与血管的相对位置关系，比如，可能会对边界有时可能照射到，有时可能照射不到，也就是设备与血管的照射覆盖范围关系。
该实施例中，照射环境指的是在照射的过程中，可能会存在阴影遮挡等的情况，导致反馈在血管某个位置上的阴影影响对应位置的像素信息，所以，就需要确定对应的照射影响因子，进行调整，比如，照射位置关系为边界照射得到，且对应边界存在阴影，此时，可以直接获取得到照射影响因子，该照射影响因子是基于关系-环境-因子映射表匹配得到的，所以，通过该照射影响因子，对边界点的像素信息进行恢复，来得到循环血管图像，比如，原先的像素信息为s01，恢复之后的像素信息为s02。
上述技术方案的有益效果是：通过从映射表调取与反射能量匹配的转换系数，来构建初始图像，且后续通过确定照射影响因子对边界点进行调整，来得到循环血管图像，为后续获取第一周期性形变序列提供基础。
本发明提供一种用于测量在体局部循环血管的智能观测方法，根据所述周期性循环血管集对同位置的血管形变情况进行统计，得到每个位置的第一周期性形变序列，包括：
获取每个时刻下同个位置的内血管宽度以及外血管宽度，得到血管数组；
将同位置的第一时刻与相邻第二时刻的血管数组进行同内部以及同外部比较，得到第一平均形变值，直到同位置周期性比较结束，得到第一阵列；
将同位位置的第一时刻的血管数组分别与对应位置的标准数据进行同内部以及同外部比较，得到第二平均形变值，直到同位置周期性比较结束，得到第二阵列；
基于所述第二阵列对第一阵列进行修正，得到第一周期性形变序列。
该实施例中，位置z在时刻t下的血管数组：[内血管宽度 外血管宽度]。
该实施例中，同内部以及同外部指的是针对位置z进行内血管宽度的比较以及外血管宽度的比较，来得到第一平均形变值。
针对位置z在时刻t1下的第一平均形变值，其中,/>为t1时刻下的内血管宽度，/>为t2时刻下的内血管宽度，/>为t1时刻下的外血管宽度，/>为t2时刻下的外血管宽度，最后：第一阵列：，其中，/>为相邻时刻，/>为相邻时刻，为相邻时刻，/>为位置z在初始时刻t1下的平均形变值；
该实施例中，时刻t1且位置z下的第二平均形变值，其中，/>为t1时刻下的内血管的标准宽度，/>为t2时刻下的外血管的标准宽度，最后：第二阵列：/>为时刻t2且位置z下的第二平均形变值，为时刻tn且位置z下的第二平均形变值。
该实施例中，第二阵列对第一阵列进行修正，具体如下：
；
依次类推，得到针对位置z在周期性序列，且其余位置按照位置z进行一致性获取，得到第一周期性形变序列。
上述技术方案的有益效果是：通过获取相邻时刻同位置的血管数组，确定第一平均形变值，且通过获取血管数组与标准数组的第二平均形变值，方便进一步获取得到第一周期性形变序列，为后续观测提供有效基础。
本发明提供一种用于测量在体局部循环血管的智能观测方法，对所述三维图像进行预标注，包括：
根据血管标注标准，自动对所述三维图像中符合要求的血管进行相应的包络标注；
根据包络标注结果，得到预标注图像；
其中，所述血管标注标准包含若干标注要求，且每个标注要求对应的显著性标注颜色不同。
该实施例中，血管标注标准就是对相同范围粗细的血管进行同颜色的包络标注，也就是将该血管给框选起来。
该实施例中，预标注图像即为对三维图像进行包络标注的图像。
如图2所示，其中，为一个同标注的包络，/>为另一个标注的包络。
上述技术方案的有益效果是：通过向血管自动绘制包络且进行不同颜色的标注，便于进行包络分析。
本发明提供一种用于测量在体局部循环血管的智能观测方法，对预标注图像进行血管分割，得到若干三维曲面，并将所述三维曲面进行二维映射，构建得到二维图像，包括：
将预标注图像输入到特征分析模型中，输出相邻包络之间的衔接特征；
将所述预标注图像输入到曲面获取模型中，确定每个包络的中心线并输出相应的初始曲面，且根据所述初始曲面中各顶点的第一特征以及所述中心线与对应包络的包裹特征，对所述初始曲面进行优化，得到对应包络的优化曲面；
根据优化曲面上的包络与相邻曲面的包络之间的中心线的线关系以及与相邻曲面的包络的衔接特征，将优化曲面进行拼接融合及自交检测，得到三维曲面；
根据每个三维曲面的曲面像素点进行内部包络的像素拟合，得到包络矢量，并将同个三维曲面中同标注的所有包络矢量与对应标注的标准矢量进行距离计算得到距离序列，并进行距离拟合，得到拟合直线；
若所述拟合直线的直线系数在预设范围内，则判定对应同标注的包络合格；
若不在预设范围内，则筛选距离序列中不符合距离差值标准的序列所对应的标注，进行异常标注；
获取异常标注的包络像素，并按照同标注包络一致原则，对相应异常包络进行重新标注，得到合格包络；
基于所有合格包络，对相应三维曲面进行更新；
将更新后的三维曲面按照从上到下、从左到右的方向，依次进行单位面积的归一化处理，得到每个单位块的归一化数组；
对所述归一化数据中的第一值与第二值进行权加处理，得到最后值，其中，所述第一值、第二值与对应单位块中的包络标注结果以及包络中包含的像素信息相关；
将所述三维曲面进行二维映射，并根据所述最后值对二维映射结果中的单位块进行渲染，得到二维图像。
该实施例中，特征分析模型是预先训练好的，是基于不同的标注图像以及标注图像中不同包络的衔接特征为样本训练得到的，因此，可以直接获取得到该预标注图像中相邻包络之间的衔接特征，且衔接特征指的是该相邻的两个血管之间是否存在血液输送关系等。
该实施例中，曲面获取模型是基于对图像中不同包络进行切割之后得到对应包络的区域，即为曲面，且每个包络都有其存在的中心线，且中心线一般是包络所包围区域的正中心的一条线，且所有包括的中心线都是同方向的，为后续后续分析提供基础。
该实施例中，初始曲面指的是包含一个包络在内的曲面，且各顶点的特征是各个顶点的位置坐标以及线段状态，比如，直线、弯线等，且包裹特征指的是中心线与包络的位置关系。
该实施例中，对初始曲面进行优化是对曲面进行点的扩充或者某些点的消除等的操作，来得到优化曲面，比如是将初始曲面上边界位置1处的点进行1mm的拉伸，得到优化曲面。
该实施例中，中心线的线关系是为了确定相邻曲面中包络与包络下的中心线的位置关系，拼接融合是指将相邻的优化曲面拼接到一起，自交检测指的是当相邻的优化曲面中存在重叠部分时，自动取重叠部分的中间位置点来进行重叠消除，得到三维曲面。
该实施例中，当线关系以及衔接特征满足拼接要求时，才会进行后续的拼接融合，且拼接要求是预先设定好的，比如，相邻包络的线关系为相交关系，且衔接特征为允许衔接，此时，就可以进行拼接融合。
该实施例中，内部包络指的是包络内部的像素信息，通过像素拟合，得到该包络的矢量。
该实施例中，距离计算是将同标注的包络矢量与对应标准矢量按照距离计算公式计算得到每个矢量元素的距离，进而所有的距离组合到一起构成距离序列。
该实施例中，距离拟合是对距离序列进行拟合，得到拟合直线，且标准矢量是预先确定好的。
该实施例中，预设范围是预先设定好的，且取值范围一般为[-0.3,0.3]。
该实施例中，包络合格指的是该标注图像所进行的同标注合理，如果不在范围内，则判定在标注过程中出现标注异常，比如血管大小不同但是采用的同样的标注，为后续进行序列对比提供误差。
该实施例中，包络一致原则指的是对应包络的颜色一致，且包裹的血管的带粗细也应该是大小类似的，对于不合格的包络，按照包络一致 原则，对该不合格的包络进行重新标注，保证后续归一化处理的合理性，进而保证渲染的合理性，因为不同标注的包络所对应的渲染可能是不一样的。
该实施例中，单位面积指的是对更新后的三维曲面进行单位面积的划分，来对同个单位面积下的信息进行不同方向的归一化处理，得到归一化数组[第一值 第二值]，且每个单位面积即为一个单位块。
该实施例中，最后值=第一权重与第一值相乘+第二权重与第二值相乘，且第一权重与第二权重的和为1。
该实施例中，二维映射就是将三维曲面映射到二维平面上所实现的二维映射。
该实施例中，渲染是基于与最后值相关的渲染颜色进行渲染，得到二维图像。
该实施例中，包络标注结果可以有效确定渲染范围，且进一步通过像素信息的归一化，来有效确定出渲染值，该渲染值在相应渲染范围内，且都是与现实核定好的。
上述技术方案的有益效果是：通过模型分析图像的衔接特征以及初始曲面，并对初始曲面进行优化以及曲面拼接，便于得到三维曲面，且通过对同标注包括进行距离拟合，分析同标注包络的一致性，便于对标注存在误差的包络进行调节，方便后续渲染值获取的可靠性，为观测提供价值。
本发明提供一种用于测量在体局部循环血管的智能观测方法，将所述第一周期性形变序列、第二周期性形变序列以及标准周期性形变序列进行对比分析，确定局部循环血管的构造以及血流向，包括：
将所述第一周期性形变序列、第二周期性形变序列以及标准周期性形变序列进行位置对齐，构建得到同时刻下的形变矩阵X:
；
其中，表示形变矩阵中第i行第j列的形变值，且i的取值范围为[1,n]，j的取值范围为[1,2,3]；其中，所述形变矩阵的行为同时刻下每个位置的形变值，所述形变矩阵的列为不同时刻下同位置的形变值，n表示局部循环血管中的位置总个数；/>
计算形变矩阵X中每列的偏离程度，并筛选最大偏离度；
若，则根据/>对相应列的第一序列以及第二序列进行调整；
若，则根据/>对相应列的第一序列以及第二序列进行调整；
否则，根据对相应列的第一序列以及第二序列进行调整；
根据调整结果，对同时刻下的形变矩阵X进行更新，得到同时刻下的血管更新形变序列，进而得到周期性更新序列，且结合血管流动标准，确定局部循环血管的构造以及血流向;
其中，调整过程如下：
；
其中，表示对第一序列进行调整后的值；/>表示对应第一序列的值；当时，/>表示对应第一序列所对应存在一个相邻序列的值；当/>时，/>表示对应第一序列所对应存在左相邻序列的值，/>表示对应第一序列所对应存在右相邻序列的值；/>表示对第二序列进行调整后的值；/>表示对应第二序列的值；j1的取值为1、2、3，当j1为1时，/>；当j1为2时，/>；当j1为3时，/>；/>为第二调节系数；/>为第一调节系数；/>表示偏离阈值。
该实施例中，偏离程度是基于对应位置的形变值与标准值的差值绝对值所的累加和求取平均获取得到的，比如：第一列的偏离程度，其中，第一序列指的是同列中的第一个元素/>，第二序列指的是同列中第二个元素/>，以此类推，每列中的第一个元素都可以视为第一序列，每列中的第二个元素都可以视为第二序列。
该实施例中，对形变矩阵X中的更新即为对第一序列或者第二序列的更新。
该实施例中，更新形变序列即为对更新后的形变矩阵中的第一行向量与第二行向量进行平均处理得到的，分别为对应第一周期性下的更新形变序列以及第二周期性下的更新形变序列，进行同时刻元素的平均处理。
该实施例中，血管流动标准是预先设定好的，根据局部循环血管中每个位置的更新形变序列，来确定构造和血流向，比如，是从血管1流向血管2。
上述技术方案的有益效果是：通过构建同时刻下的形变矩阵，并计算偏离程度，来对同时刻下的形变值进行调整，实现对矩阵的更新，且结合血管流动标准，进一步确定构造和血流向，保证确定的可靠性。
本发明提供一种用于测量在体局部循环血管的智能观测方法，判定局部循环血管是否存在异常，包括：
将同周期下不同时刻的局部循环血管的标准构造与对应时刻下所确定的构造进行第一比较；
同时，获取所述局部循环血管的标准流动情况，并与所确定的血流向进行不同时刻下的第二比较；
若第一比较结果以及第二比较结果都为一致结果，则判定局部循环血管不存在异常；
否则，判定存在异常。
该实施例中，标准构造是由专家预先确定好的，且标准流动情况也是由专家预先确定好的，因此，通过第一比较和第二比较，可以直接观察出存在的相似情况，如果每个相似情况都高达90%及以上，则视为一致结果。
上述技术方案的有益效果是：通过将标准的与实际的进行比较，便于有效判定局部循环血管是否存在异常。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种用于测量在体局部循环血管的智能观测方法，其特征在于，包括：
步骤1：根据心跳周期对局部循环血管进行周期性照射，捕捉得到每个时刻下的反射光信息，并对不同时刻下的反射光信息进行预处理，构建得到周期性循环血管集；
步骤2：根据所述周期性循环血管集对同位置的血管形变情况进行统计，得到每个位置的第一周期性形变序列；
步骤3：采集包含所述局部循环血管的三维图像，并对所述三维图像进行预标注，且对预标注图像进行血管分割，得到若干三维曲面，并将所述三维曲面进行二维映射，构建得到二维图像；
步骤4：获取周期性二维图像，构建得到每个位置的第二周期性形变序列；
步骤5：将所述第一周期性形变序列、第二周期性形变序列以及标准周期性形变序列进行对比分析，确定局部循环血管的构造以及血流向，并判定局部循环血管是否存在异常，包括：
将所述第一周期性形变序列、第二周期性形变序列以及标准周期性形变序列进行位置对齐，构建得到同时刻下的形变矩阵X：
；
其中，表示形变矩阵中第i行第j列的形变值，且i的取值范围为[1,n]，j的取值范围为[1,2,3]；其中，所述形变矩阵的行为同时刻下每个位置的形变值，所述形变矩阵的列为不同时刻下同位置的形变值，/>表示局部循环血管中的位置总个数；
计算形变矩阵X中每列的偏离程度，并筛选最大偏离度；
若，则根据/>对相应列的第一序列以及第二序列进行调整；
若，则根据/>对相应列的第一序列以及第二序列进行调整；
否则，根据对相应列的第一序列以及第二序列进行调整；
根据调整结果，对同时刻下的形变矩阵X进行更新，得到同时刻下的血管更新形变序列，进而得到周期性更新序列，且结合血管流动标准，确定局部循环血管的构造以及血流向;
其中，调整过程如下：
；
其中，表示对第一序列进行调整后的值；/>表示对应第一序列的值；当/>时，/>表示对应第一序列所对应存在一个相邻序列的值；当/>时，/>表示对应第一序列所对应存在左相邻序列的值，/>表示对应第一序列所对应存在右相邻序列的值；/>表示对第二序列进行调整后的值；/>表示对应第二序列的值；j1的取值为1、2、3，当j1为1时，/>；当j1为2时，；当j1为3时，/>；/>为第二调节系数；/>为第一调节系数；/>表示偏离阈值。
2.根据权利要求1所述的用于测量在体局部循环血管的智能观测方法，其特征在于，根据心跳周期对局部循环血管进行周期性照射之前，包括：
根据历史心脏收缩规律，确定不同规律下的历史周期；
从所有历史周期中筛选最大周期作为第一周期，同时，从所有历史周期中筛选最高频次周期作为第二周期；
根据所述第一周期以及第二周期，得到心跳周期Z1：
；
其中，T1表示第一周期；T2表示第二周期；n1表示历史周期中存在的周期数量；n2表示最高频次周期的出现次数；表示所有周期数量中除去最高频次周期数量之外的剩余周期的平均值；/>表示取整符号。
3.根据权利要求1所述的用于测量在体局部循环血管的智能观测方法，其特征在于，对不同时刻下的反射光信息进行预处理，构建得到周期性循环血管集，包括：
确定周期性照射设备的设备工作属性；
确定每个位置的反射信息的反射能量，并从属性-能量-转换映射表调取与所述反射能量匹配的转换系数，构建得到初始图像；
根据周期性照射设备与局部循环血管在对应照射时刻的照射位置关系以及照射环境，确定对应时刻对于每个位置的照射影响因子；
基于所述照射影响因子，对所述初始图像上的匹配边界点进行调整，得到对应时刻的循环血管图像，并统计得到周期性循环血管集。
4.根据权利要求1所述的用于测量在体局部循环血管的智能观测方法，其特征在于，根据所述周期性循环血管集对同位置的血管形变情况进行统计，得到每个位置的第一周期性形变序列，包括：
获取每个时刻下同个位置的内血管宽度以及外血管宽度，得到血管数组；
将同位置的第一时刻与相邻第二时刻的血管数组进行同内部以及同外部比较，得到第一平均形变值，直到同位置周期性比较结束，得到第一阵列；
将同位位置的第一时刻的血管数组分别与对应位置的标准数据进行同内部以及同外部比较，得到第二平均形变值，直到同位置周期性比较结束，得到第二阵列；
基于所述第二阵列对第一阵列进行修正，得到第一周期性形变序列。
5.根据权利要求1所述的用于测量在体局部循环血管的智能观测方法，其特征在于，对所述三维图像进行预标注，包括：
根据血管标注标准，自动对所述三维图像中符合要求的血管进行相应的包络标注；
根据包络标注结果，得到预标注图像；
其中，所述血管标注标准包含若干标注要求，且每个标注要求对应的显著性标注颜色不同。
6.根据权利要求1所述的用于测量在体局部循环血管的智能观测方法，其特征在于，对预标注图像进行血管分割，得到若干三维曲面，并将所述三维曲面进行二维映射，构建得到二维图像，包括：
将预标注图像输入到特征分析模型中，输出相邻包络之间的衔接特征；
将所述预标注图像输入到曲面获取模型中，确定每个包络的中心线并输出相应的初始曲面，且根据所述初始曲面中各顶点的第一特征以及所述中心线与对应包络的包裹特征，对所述初始曲面进行优化，得到对应包络的优化曲面；
根据优化曲面上的包络与相邻曲面的包络之间的中心线的线关系以及与相邻曲面的包络的衔接特征，将优化曲面进行拼接融合及自交检测，得到三维曲面；
根据每个三维曲面的曲面像素点进行内部包络的像素拟合，得到包络矢量，并将同个三维曲面中同标注的所有包络矢量与对应标注的标准矢量进行距离计算得到距离序列，并进行距离拟合，得到拟合直线；
若所述拟合直线的直线系数在预设范围内，则判定对应同标注的包络合格；
若不在预设范围内，则筛选距离序列中不符合距离差值标准的序列所对应的标注，进行异常标注；
获取异常标注的包络像素，并按照同标注包络一致原则，对相应异常包络进行重新标注，得到合格包络；
基于所有合格包络，对相应三维曲面进行更新；
将更新后的三维曲面按照从上到下、从左到右的方向，依次进行单位面积的归一化处理，得到每个单位块的归一化数据；
对所述归一化数据中的第一值与第二值进行权加处理，得到最后值，其中，所述第一值、第二值与对应单位块中的包络标注结果以及包络中包含的像素信息相关；
将所述三维曲面进行二维映射，并根据所述最后值对二维映射结果中的单位块进行渲染，得到二维图像。
7.根据权利要求1所述的用于测量在体局部循环血管的智能观测方法，其特征在于，判定局部循环血管是否存在异常，包括：
将同周期下不同时刻的局部循环血管的标准构造与对应时刻下所确定的构造进行第一比较；
同时，获取所述局部循环血管的标准流动情况，并与所确定的血流向进行不同时刻下的第二比较；
若第一比较结果以及第二比较结果都为一致结果，则判定局部循环血管不存在异常；
否则，判定存在异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311218600.0A CN116942104B (zh) | 2023-09-21 | 2023-09-21 | 一种用于测量在体局部循环血管的智能观测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311218600.0A CN116942104B (zh) | 2023-09-21 | 2023-09-21 | 一种用于测量在体局部循环血管的智能观测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116942104A CN116942104A (zh) | 2023-10-27 |
| CN116942104B true CN116942104B (zh) | 2024-01-02 |
Family
ID=88449603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311218600.0A Active CN116942104B (zh) | 2023-09-21 | 2023-09-21 | 一种用于测量在体局部循环血管的智能观测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116942104B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012165915A (ja) * | 2011-02-15 | 2012-09-06 | Panasonic Corp | 循環機能判定装置 |
| CN104837407A (zh) * | 2012-12-07 | 2015-08-12 | 株式会社东芝 | 血管解析装置、医用图像诊断装置以及血管解析方法 |
| WO2016159379A1 (ja) * | 2015-04-02 | 2016-10-06 | イービーエム株式会社 | 血管形状構築装置、その方法及びコンピュータソフトウエアプログラム |
| CN111743627A (zh) * | 2020-07-07 | 2020-10-09 | 维尔迈(北京)医疗科技有限公司 | 一种基于深度学习的脑血管病变治疗方案预测方法 |
| WO2022105647A1 (zh) * | 2020-11-23 | 2022-05-27 | 西安科锐盛创新科技有限公司 | 一种颅内血管造影增强三维模型的建立方法 |
| WO2022105623A1 (zh) * | 2020-11-23 | 2022-05-27 | 西安科锐盛创新科技有限公司 | 一种基于迁移学习的颅内血管病灶识别方法 |
| WO2023063318A1 (ja) * | 2021-10-11 | 2023-04-20 | ラドウィスプ プライベート リミテッド | 診断支援プログラム |
| WO2023115576A1 (zh) * | 2021-12-24 | 2023-06-29 | 北京阅影科技有限公司 | 血管信息的处理方法及其装置、计算机可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1855596B1 (en) * | 2005-02-23 | 2015-07-01 | Koninklijke Philips N.V. | Ultrasonic diagnostic imaging system for detecting lesions of the liver |
-
2023
- 2023-09-21 CN CN202311218600.0A patent/CN116942104B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012165915A (ja) * | 2011-02-15 | 2012-09-06 | Panasonic Corp | 循環機能判定装置 |
| CN104837407A (zh) * | 2012-12-07 | 2015-08-12 | 株式会社东芝 | 血管解析装置、医用图像诊断装置以及血管解析方法 |
| WO2016159379A1 (ja) * | 2015-04-02 | 2016-10-06 | イービーエム株式会社 | 血管形状構築装置、その方法及びコンピュータソフトウエアプログラム |
| CN111743627A (zh) * | 2020-07-07 | 2020-10-09 | 维尔迈(北京)医疗科技有限公司 | 一种基于深度学习的脑血管病变治疗方案预测方法 |
| WO2022105647A1 (zh) * | 2020-11-23 | 2022-05-27 | 西安科锐盛创新科技有限公司 | 一种颅内血管造影增强三维模型的建立方法 |
| WO2022105623A1 (zh) * | 2020-11-23 | 2022-05-27 | 西安科锐盛创新科技有限公司 | 一种基于迁移学习的颅内血管病灶识别方法 |
| WO2023063318A1 (ja) * | 2021-10-11 | 2023-04-20 | ラドウィスプ プライベート リミテッド | 診断支援プログラム |
| WO2023115576A1 (zh) * | 2021-12-24 | 2023-06-29 | 北京阅影科技有限公司 | 血管信息的处理方法及其装置、计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116942104A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110796613B (zh) | 一种图像伪影的自动识别方法及装置 | |
| CN110544274B (zh) | 一种基于多光谱的眼底图像配准方法及系统 | |
| CN110232691A (zh) | 一种多模态的ct影像的分割方法 | |
| WO2021249439A1 (en) | Systems and methods for image processing | |
| CN114694236B (zh) | 一种基于循环残差卷积神经网络的眼球运动分割定位方法 | |
| CN111369528A (zh) | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 | |
| CN112597982B (zh) | 基于人工智能的图像分类方法、装置、设备和介质 | |
| CN111493918B (zh) | 腰椎ct影像的观测面自动定位方法、应用方法及设备 | |
| US11830193B2 (en) | Recognition method of intracranial vascular lesions based on transfer learning | |
| CN115511997A (zh) | 一种血管造影图像处理方法和系统 | |
| Salahuddin et al. | Multi-resolution 3d convolutional neural networks for automatic coronary centerline extraction in cardiac CT angiography scans | |
| CN116258732A (zh) | 一种基于pet/ct图像跨模态特征融合的食管癌肿瘤靶区分割方法 | |
| Giuliani et al. | Pulmonary Lobe Segmentation in CT Images using Alpha-Expansion. | |
| CN116942104B (zh) | 一种用于测量在体局部循环血管的智能观测方法 | |
| CN113393456A (zh) | 基于多任务的早孕期胎儿标准切面的自动质量控制方法 | |
| CN112950555A (zh) | 一种基于深度学习的2型糖尿病心血管病变图像分类方法 | |
| CN109919913B (zh) | 一种冠状动脉的半径计算方法、终端及存储介质 | |
| Chang et al. | Semantic lung segmentation using convolutional neural networks | |
| Vitanovski et al. | Personalized learning-based segmentation of thoracic aorta and main branches for diagnosis and treatment planning | |
| CN114862865B (zh) | 基于多视角冠状动脉造影序列图像的血管分割方法及系统 | |
| CN114693622B (zh) | 一种基于人工智能的斑块侵蚀自动检测系统 | |
| CN110414405A (zh) | 基于深度学习的肌间沟臂丛神经的识别方法及其系统 | |
| Oguz et al. | Automated placenta segmentation from 3D ultrasound images | |
| CN112669256B (zh) | 一种基于迁移学习的医学图像分割与显示方法 | |
| CN111353989B (zh) | 一种冠状动脉血管完全造影图像识别方法 |
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 |