CN117333529B - 一种基于模板匹配的血管超声内膜自动化测量方法及系统 - Google Patents

一种基于模板匹配的血管超声内膜自动化测量方法及系统 Download PDF

Info

Publication number
CN117333529B
CN117333529B CN202311616547.XA CN202311616547A CN117333529B CN 117333529 B CN117333529 B CN 117333529B CN 202311616547 A CN202311616547 A CN 202311616547A CN 117333529 B CN117333529 B CN 117333529B
Authority
CN
China
Prior art keywords
image
intima
blood vessel
template
matching
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
Application number
CN202311616547.XA
Other languages
English (en)
Other versions
CN117333529A (zh
Inventor
林宏翔
李婧
唐语骋
林胡
徐翔
黄轲
方健
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202311616547.XA priority Critical patent/CN117333529B/zh
Publication of CN117333529A publication Critical patent/CN117333529A/zh
Application granted granted Critical
Publication of CN117333529B publication Critical patent/CN117333529B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T7/0002—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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06T2207/10132—Ultrasound image
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

一种基于模板匹配的血管超声内膜自动化测量方法及系统，其方法包括：S1、超声扫描设备导出血管径向切面图像；S2、灰度化血管径向切面图像，形成包含所有原始边缘的二值图像；S3、对二值图像进行形态学整形，形成只包含主轮廓边缘的二值图像；S4、获取主轮廓的二值图像中的全部闭合轮廓，提取血管径向切面区域轮廓坐标，形成设备信息脱敏图像；S5、选取小尺寸内膜图像作为模板，得到内膜模板图像模型库；S6、获取模板相似度的匹配参数，选择匹配参数最小的区域作为感兴趣区域ROI图像；S7、将ROI图像分割为由内而外顺序排列的四个连通区域；S8、定位第二和第三顺序的连通域为内膜结构，通过连通域信息计算其厚度进行输出。

Description

一种基于模板匹配的血管超声内膜自动化测量方法及系统
技术领域
本发明属于医疗超声技术领域，具体涉及一种血管内膜厚度自动测量方法及系统。
背景技术
超声诊断是利用超声在生物体组织间传播的特征差异形成医学影像，从而判断生物体内病变的性质的诊断方法。超声波对人体无害、对生物组织具有穿透性、发生成本低等特点使基于超声技术的医学应用层出不穷。临床中常使用超声设备获得颈动脉、心血管和颅内血管等血管影像，从而达到疾病诊断的目的。常见的医用超声设备通过经过专业操作训练且具有一定超声影像诊断能力的医务工作者手持超声探头，对患者目标检测部位进行扫描来获得超声回波图像。另外，超声断层扫描成像系统也是一种高分辨率的超声医学影像模态，通过采集生体软组织外部的透射和散射超声信号重建组织内部的结构图像。
1)系统功能方面，目前的超声血管图像内膜测量对抗条纹形状伪影的能力弱。多数系统采用“图像-血管-线条-锚点-测量”的处理模式，此类系统的定位内膜方法过度依赖血管条纹结构的特点，在超声血管图像中存在多数伪影呈条纹状，这导致系统对图像质量要求高，对抗噪声能力弱。目前系统图像处理流程设计多数采用利用血管管型、线条结构对原始超声图像进行局部图像提取的方法，来达到对关键处理位置的聚焦的目的，再传递给后续的系列自动化标注算法。在超声图像采集过程中，外部干扰、设备性能低等诸多因素都可能导致超声图像产生与血管相似结构的管状、线型噪声，此类噪声大幅增加图像算法的识别难度，要求图像增强、定位和分割算法优化程度较高，否则将导致内膜测量失败或结果不准确，使得系统需要操作者反复尝试调整超声探头以提高图像质量，这造成医疗资源的浪费并且增加设备使用难度。另一方面，多数超声血管图像内膜测量系统嵌入在特定超声设备机器捆绑使用，其中超声图像质量要求较高的算法无法合适地集成和应用在低性能超声设备上。
2)内膜测量方面，通过人工添加辅助点来测量内膜的方式将使输出内膜厚度测量结果的不稳定。目前的内膜厚度值通过对内膜层次结构识别后，采用在内膜两侧边界线上选取点对集合进行统计、筛选和计算后，选取集合中子集或最优点对进行内膜厚度测算，作为最终结果输出。在点对集合的选择上人工方法时间成本高且太过依赖操作者经验，操作者意志与图像显示在选取交互时可能存在系统偏差，影响结果的稳定性；自动标注虽然对膜间边缘临界点更为灵敏，但选取点集有限，且重要的特异点对容易被算法均衡或者淘汰，影响系统对病变结构的捕捉。
发明内容
本发明克服现有技术的上述问题，提供一种基于模板匹配的血管超声内膜自动化测量方法及系统。
本发明的一种基于模板匹配的血管超声内膜自动化测量方法方法，包括如下步骤：
S1、超声扫描设备导出血管径向切面图像，该血管径向切面图像包含除血管径向切面外的图形化设备界面元素；
S2、灰度化血管径向切面图像，进行边缘提取，形成包含所有原始边缘的二值图像；
S3、对包含原始边缘的二值图像进行形态学整形，形成只包含主轮廓边缘的二值图像；
S4、获取主轮廓的二值图像中的全部闭合轮廓，提取血管径向切面区域轮廓坐标，对步骤S1所述的血管径向切面图像依照坐标剪裁，进行图像灰度化，形成设备信息脱敏图像；
S5、选取小尺寸内膜图像作为模板，得到内膜模板图像模型库；
S6、根据模型库对设备信息脱敏图像使用模板匹配的方法，获取模板相似度的匹配参数，选择匹配参数最小的区域作为感兴趣区域（ROI）图像；
S7、对ROI图像进行边缘提取，获得内膜结构的三条分割线，将ROI图像分割为由内而外顺序排列的四个连通区域；
S8、统计连通区域质心坐标、面积等信息，定位第二和第三顺序的连通域为内中膜结构，通过连通域信息计算其厚度进行输出。
进一步，步骤S2具体包括：将步骤S1所述血管径向切面图像转化为灰度图像，对图像进行自适应阈值分割二值化，使用高斯滤波适当滤除噪声信号，使用Canny算子提取边缘，获取原始边缘的二值图像。
进一步，步骤S3具体包括：对原始边缘的二值图像进行形态学闭运算，再进行形态学开运算，获取主轮廓的二值图像。
进一步，步骤S4具体包括：对主轮廓的二值图像使用Canny算子提取所有轮廓，筛选出所有闭合轮廓，选择其中外接四边形面积最大的一条，记录四边形顶点坐标，步骤S1提到血管径向切面图像依照坐标剪裁矩形，将保留图像灰度化，形成设备信息脱敏图像。
进一步，步骤S5具体包括：选取两张结构清晰的小尺寸内膜图像作为模板，再旋转角度，获取包含若干张内膜模板图像模型库。
进一步，步骤S6具体包括：使用内膜模板图像模型库对设备信息脱敏图像进行内膜的模板匹配，输出为匹配参数矩阵，矩阵中每个元素代表该内膜模板在原始图像中不同位置的匹配结果。滤除错误匹配结果并寻找其中匹配参数数值最小的元素点，选择该元素点所代表的位置区域裁剪设备信息脱敏图像，获取ROI图像。
进一步，步骤S7具体包括：对ROI图像使用平滑滤波，再使用Canny算子提取边缘的方法生成管腔内-内膜-中膜-外膜层次结构的分界线，ROI图像被三条分界线分割为四个独立区域。
进一步，步骤S4还包括：对形成四个独立区域的二值图像进行连通域识别，认为两像素点以上、下、左、右、左上、左下、右上、右下任意位置同灰度即为连通，图像中每个像素被分配到唯一的标签值，得到包括四个连通域和分割线共五组像素标签。
进一步，步骤S8具体包括：使用连通域分析的方法统计包括各组连通域的像素点质心坐标{（x1,y1），（x2,y2），（x3,y3），（x4,y4）}、面积（S1、S2、S3、S4）和外接四边形坐标信息。得到公式(1)质心横坐标方差S12：
得到公式(2)质心纵坐标方差S22：
取其中较小方差代表的坐标轴，进行顺序排列，连通域位置排列由血管内外方向的第二和第三顺序的连通域确定为内中膜结构。
进一步，步骤S8还包括：第二连通域外接四边形坐标包括左上（b1，b2），右下（b3，b4），第三连通域外接四边形坐标包括左上（c1,c2），右下（c3,c4）,选择与较大方差代表的坐标轴，取四个坐标值最大差值max，即当S12> S22,取max=|c3-b1|，当S12≥ S22,取max=|c4-b2|，计算第二和第三顺序的连通域的总面积为，得到公式(3)内中膜厚度：
其中，a、b、c、d分别表示ROI图像分割为血管由内而外顺序排列的四个连通区域。
作为本发明的第二个方面，一种基于模板匹配的血管超声内膜自动化测量系统，包括：
血管径向切面图像导出模块，用于以超声扫描设备导出血管径向切面图像，该血管径向切面图像包含除血管径向切面外的图形化设备界面元素；
血管径向切面图像边缘提取模块，用于灰度化血管径向切面图像，进行边缘提取，形成包含所有原始边缘的二值图像；
二值图像整形模块，用于对包含原始边缘的二值图像进行形态学整形，形成只包含主轮廓边缘的二值图像；
设备信息脱敏图像形成模块，用于获取主轮廓的二值图像中的全部闭合轮廓，提取血管径向切面区域轮廓坐标，对血管径向切面图像依照坐标剪裁，进行图像灰度化，形成设备信息脱敏图像；
内膜模板图像模型库获取模块，用于选取小尺寸内膜图像作为模板，得到内膜模板图像模型库；
感兴趣区域ROI图像选取模块，用于根据模型库对设备信息脱敏图像使用模板匹配的方法，获取模板相似度的匹配参数，选择匹配参数最小的区域作为感兴趣区域ROI图像；
ROI图像分割模块，用于对ROI图像进行边缘提取，获得内膜结构的三条分割线，将ROI图像分割为由内而外顺序排列的四个连通区域；
内膜厚度计算模块，用于统计连通区域质心坐标、面积的信息，定位第二和第三顺序的连通域为内膜结构，通过连通域信息计算其厚度进行输出。
作为本发明的第三个方面，一种基于模板匹配的血管超声内膜自动化测量装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本发明的基于模板匹配的血管超声内膜自动化测量方法。
作为本发明的第四个方面，一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现本发明的基于模板匹配的血管超声内膜自动化测量方法。
本发明的创新点是：
1)针对提高系统对抗噪声能力的技术问题，提出基于模板匹配的血管超声内膜自动化测量方法与系统，通过识别内膜结构来增强算法对抗噪声能力的解决方案。发明以“图像-内膜-测量”为处理模式，该模式不依赖于血管的管状、线条类特征性结构，大幅降低了对相似噪声对图像处理结果的干扰，降低了系统对图像质量的要求。系统采用以内膜夹层结构为核心特征的模板，聚焦关键处理位置，简洁的内膜夹层降低了图像算法的优化难度，同时，筛选超声图像成像结果最优质的部位，可在超声设备扫描过程中对操作者找寻成像清晰位置，起到提示作用。同时添加了图像预处理模块，针对现有商用超声成像系统的一般化图像输出格式（如DICOM格式），进行患者信息、UI控件等去除，提升血管超声图像辅助诊断系统的泛化性和可移植性，增加对老旧超声设备的包容度和适用性，提供更多的使用场景。
2)针对系统内膜测量结果依赖超声科医生经验、判断不稳定的技术问题，本发明提出血管超声图像辅助诊断系统自动化内膜厚度测量为解决方法。系统设置内膜定位模块实现感兴趣区域聚焦小尺寸的内膜像素区域，使得内膜采样点密集，通过计算单位面积均值的方式计算每个采样点附近的平均内膜厚度，降低了选取标注点的差异从而提升内膜测量结果的鲁棒性。
本发明添加基于模板匹配方法的定位模块，相比于对整张图片直接进行图像处理操作，本发明使用定位将ROI锁定在整张图像中低噪声的小范围图像区域，再使用图像处理算法，达到分割内中膜的目的，提升了分割算法的鲁棒性。
本发明的工作原理是：
本发明实现了从超声扫描设备提供的血管径向切面图像中，分析像素级的血管内中膜厚度。该方法使用Python为主语言的基于OpenCV计算机视觉库的图像处理函数进行计算机程序设计与实现，通过模板匹配的方法和优化的选择程序定位包含内中膜厚度信息的ROI图像，达到内中膜厚度测量的目的。该方法流程中涉及包括图像增强、图像定位和图像分割等医学数字图像处理领域的图像操作。
本发明的优点是：
1)本发明具有对抗噪声能力强、系统移植性高的优点。其对输入源超声图像的像素质量没有过高要求，适用于多产品版本的医院端超声影像诊断设备（一体式超声工作站、便携式超声诊断仪）导出的原始超声图像数据，同时预处理模块使内膜测量程序可实现嵌入超声设备实时分析和性能低版本的超声设备导出数据，进行后处理的两种选择。
2)本发明具有独立的图像目标检测模块,模块以检索整图中成像优质内膜图像区域为目标。系统无需人工参与选取内膜参考标记点进行ROI选取，系统将根据高图像质量的模板对内膜进行定位，对超声科医生寻找内膜成像清晰位置产生提示作用。
3)本发明采用计算血管纵切面单位像素区域的内膜宽度的均值的方式测量内膜厚度，降低了传统选取标注点的差异性对内膜测量结果的影响。
附图说明
图1是本发明一实施方式提供的基于模板匹配的血管超声内膜自动化测量方法的流程示意图。
图2a是本发明一实施方式提供的基于模板匹配的血管超声内膜自动化测量系统的一种模块示意图；图2b是是本发明一实施方式提供的基于模板匹配的血管超声内膜自动化测量系统的另一种模块示意图。
图3是步骤S3中主轮廓的二值图像。
图4是步骤S6中根据内膜模板图像模型库进行模板匹配的结果示意图。
图5是步骤S7中ROI划分为四层结构的示意图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
实施例1
结合图1所示，本发明一实施方式提供的基于模板匹配的血管超声内膜自动化测量方法，所述方法包括：
S1、超声扫描设备导出血管径向切面图像，该血管径向切面图像包含除血管径向切面外的图形化设备界面元素；
S2、灰度化图像，进行边缘提取，形成包含所有原始边缘的二值图像；
S3、原始边缘的二值图像通过形态学整形，形成只包含主轮廓的二值图像；
S4、获取主轮廓的二值图像中的全部闭合轮廓，提取血管径向切面区域轮廓坐标，对S1提到血管径向切面图像依照坐标剪裁，图像灰度化，形成设备信息脱敏图像；
S5、选取小尺寸内膜图像作为模板，得到内膜模板图像模型库；
S6、根据模型库对设备信息脱敏图像使用模板匹配的方法，获取模板相似度的匹配参数，选择匹配参数最小的区域作为感兴趣区域（ROI）图像。
S7、对ROI图像进行边缘提取，获得内膜结构的三条分割线，将ROI图像分割为从血管自内而外顺序排列的四个连通区域。
S8、统计连通区域质心坐标、面积等信息，定位第二和第三顺序的连通域为内膜结构，通过连通域信息计算其厚度进行输出。
对于步骤S1，本发明可实现方式中，对检查者的血管进行超声扫查得到血管扫查数据，所述血管扫查数据中包括连续多帧血管径向切面图。可以是来自市面主流医疗器械公司的超声成像设备，超声仪器界面包含超声图像、厂商信息、患者信息等内容。超声仪器可存储、导出数据，导出数据格式通常为JPG格式或者DICOM格式，其中图像存储内容成分是包含整个仪器操作界面的图像报告形式。
对于步骤S2，本发明较佳实施方式中，使用到OpenCV视觉库中cvtColor函数将三通道的血管径向切面图像图像转化为灰度图像。使用自适应阈值分割adaptiveThreshold函数，参数的设置旨在分割结果中呈现图像中的细节最大化，其中重要参数包括：阈值设定算法标志位adaptiveMethod设为ADAPTIVE_THRESH_MEAN_C，自适应确定阈值的像素领域blockSize取值3-7。
将上述得到的图像进行边缘提取，使用到OpenCV计算机视觉库中Canny函数，其中重要参数包括：第一滞后阈值设定范围0-7，第二滞后阈值设定范围为200-256，Sobel算子的直径设定范围为7-11。使用Canny函数前,可使用GaussianBlur函数进行滤除随机噪声等无关图像信号，高斯滤波器尺寸长宽选取略大于输入图像长宽一半。设置合理的参数呈现最多的强弱边缘线条，得到原始边缘的二值图像。
对于步骤S3，本发明较佳实施方式中，如图4所示伪代码，将原始边缘的二值图像进行形态学闭运算，使用到OpenCV计算机视觉库中图像形态学运算函数，其中包括闭运算和开运算过程，是图像形态学腐蚀和膨胀变换的组合处理方式，设置合理的参数呈现形成血管图像的外接矩形轮廓，形成主轮廓的二值图像。
步骤3的伪代码是：
对于步骤S4，本发明较佳实施方式中，所示伪代码，再次使用Canny函数对主轮廓的二值图像中的所有轮廓提取，由于经过形态学整形，中部超声区域在二值图像中作为一个整体易于被提取外接轮廓，此时筛选所有轮廓的外接四边形中面积最大的轮廓，即实现该部分的分离。实现方式下附伪代码，输出该外接四边形的四个顶点坐标(左上、左下、右上、右下)，以上述四个顶点构成的矩形轮廓为边缘对图像矩阵进行剪裁，得到预处理输出图像，即没有其他界面部分的血管超声图像作为设备信息脱敏图像。
步骤4的伪代码是：
对于步骤S5，本发明较佳实施方式中，建立标准化内膜模型库，用于储存从血管图像中由专业人员预先剪裁出图像层次清晰的内膜组分图样。由于优质的内膜超声图像有明显的层次结构，即管腔、内膜和中膜，以此模板为参照在图像能够定位到同样层次清晰，与模板同属于内膜结构的像素块。同时人工选取优质的小尺寸层次结构图像作为模板，可转换若干角度，得到N张内膜模板图像，方便丰富模型库。不同角度的模板用于适应超声图像中血管的不同倾斜位置。
对于步骤S6，本发明较佳实施方式中， 用于计算图像中各区域与内膜标准模板的匹配程度。使用OpenCV计算机视觉库提供的matchtemplate函数进行内膜的模板匹配，函数输出匹配结果矩阵，矩阵中每个元素代表该内膜模板在原始图像中不同位置的匹配结果。函数包括四个参数的输入项，包括像素尺寸为W*H的待匹配图像、像素尺寸w*h的小尺寸匹配模板、像素尺寸（W-w+1）*（H-h+1）的输出矩阵容器以及匹配方法标志位（输入图像需满足：W>w且H>h）。
综合考虑系统所需计算时间与匹配准确率，匹配方法选取OpenCV库中标志位TM_SQDIFF_NORMED作为匹配系数的计算方法，具体地，标志位代表的匹配结果计算公式(4)如下：
其中R(x,y)代表匹配结果矩阵，每个元素表示以匹配模板和待匹配图像左上角像素点对齐为初始状态，匹配模板在待匹配图像上平行左移x像素格，下移y像素格后，与移动终处对应区域的计算数值，其意义是将内膜模板（小尺寸）在待匹配图片（大尺寸）上平行移动到每一个位置，并计算此处的匹配程度。I(x+x^',y+y')代表模板移动(x,y)位置对应的待匹配图像矩阵，每个元素表示匹配模板在待匹配图像上移动终处的区域矩阵。T(x^',y^')代表匹配模板矩阵，即为像素尺寸w*h的小尺寸匹配模板。
对于步骤S7，本发明较佳实施方式中，通过平滑滤波弱化ROI图像矩阵中与层次结构无关的线条，再使用Canny算法提取ROI图像中背景-内膜-背景层次结构的边缘，输出只包含边缘信息的二值化图像。首先使用尺寸(ksize)较大的高斯滤波器GaussianBlur函数进行细节的模糊,关键参数ksize=11。如此图像中相邻位置灰度相近的像素点之间的梯度降低，保留下图像中主要的灰度差异边界，使用Canny函数进行边缘识别，其中关键参数如下：第一滞后阈值(thr1)设定范围180-200，第二滞后阈值(th2)设定范围为200-256，Sobel算子的直径(SobelSize)设定范围为7-11。
对于步骤S8，本发明较佳实施方式中，使用连通域分析的方法获得上述边缘二值矩阵中的连通区域，包括各组分的像素点质心(centroids)、坐标和面积等信息。具体如下：使用connectedComponentsWithStats函数可以将输入的二值图像中的连通区域（两像素点以上、下、左、右、左上、左下、右上、右下任意同灰度即为连通）以不同的标志位(label)，N个标志位代表该图像有N块独立的连通域，并输出每个连通域的像素点质心坐标{（x1,y1），（x2,y2），（x3,y3），（x4,y4）}、面积（S1、S2、S3、S4）和外接四边形坐标信息。得到公式(1)质心横坐标方差S12：
得到公式(2)质心纵坐标方差S22：
centroids矩阵中个元素作为位置信息包含两个元素，此处取其中较小方差代表的坐标轴，进行顺序排列：如图5所示，根据所得连通域的质心坐标区分层次结构，连通域位置排列由血管内外方向。
根据所述图像分析单元的数据，计算单位像素间距内膜区域的面积，作为血管超声疾病诊断系统的内膜厚度测量结果输出。如图4所示，合并血管由内而外方向的第二和第三连通域作为目标内中膜结构图像区域，所得到内中膜结构图像区域近似厚度均匀且形状为矩形，第二连通域外接四边形坐标包括左上（b1，b2），右下（b3，b4），第三连通域外接四边形坐标包括左上（c1,c2），右下（c3,c4）, 选择较大方差代表的坐标轴，取四个坐标值最大差值max，即当S12> S22,取max=|c3-b1|，当S12≥ S22,取max=|c4-b2|，计算第二和第三顺序的连通域的总面积为，得到公式(3)内中膜厚度：
实施例2
结合图2b所示，本发明一实施方式提供基于模板匹配的血管超声内膜自动化测量方法的系统，包括：
血管径向切面图像导出模块，用于以超声扫描设备导出血管径向切面图像，该血管径向切面图像包含除血管径向切面外的图形化设备界面元素；
血管径向切面图像边缘提取模块，用于灰度化血管径向切面图像，进行边缘提取，形成包含所有原始边缘的二值图像；
二值图像整形模块，用于对包含原始边缘的二值图像进行形态学整形，形成只包含主轮廓边缘的二值图像；
设备信息脱敏图像形成模块，用于获取主轮廓的二值图像中的全部闭合轮廓，提取血管径向切面区域轮廓坐标，对血管径向切面图像依照坐标剪裁，进行图像灰度化，形成设备信息脱敏图像；
内膜模板图像模型库获取模块，用于选取小尺寸内膜图像作为模板，得到内膜模板图像模型库；
感兴趣区域ROI图像选取模块，用于根据模型库对设备信息脱敏图像使用模板匹配的方法，获取模板相似度的匹配参数，选择匹配参数最小的区域作为感兴趣区域ROI图像；
ROI图像分割模块，用于对ROI图像进行边缘提取，获得内膜结构的三条分割线，将ROI图像分割为由内而外顺序排列的四个连通区域；
内膜厚度计算模块，用于统计连通区域质心坐标、面积的信息，定位第二和第三顺序的连通域为内膜结构，通过连通域信息计算其厚度进行输出。
本系统也可以划分为另一种形式，如图2a所示：超声扫描设备0、预处理模块1、定位模块2、分析模块3。
超声扫描设备0，用于对检查者的血管进行超声扫查得到血管扫查数据，所述血管扫查数据中包括连续多帧血管纵向切面图。可以是来自市面主流医疗器械公司的超声成像设备，超声仪器界面包含超声图像、厂商信息、患者信息等内容。超声仪器可存储、导出数据，导出数据格式通常为JPG格式或者DICOM格式，其中图像存储内容成分是包含整个仪器操作界面的图像报告形式。
预处理模块1，用于对所述超声扫描设备导出的原始数据进行预备处理，输出适用于后续图像分析的单帧血管超声图像数据。
其中预处理模块1包括：
数据格式处理单元11，用于过滤输入后续所述处理单元的数据，保证进入处理程序的格式统一，常见临床超声设备默认导出原始数据为DICOM格式，经过本单元处理输出为单一图像数据。格式转化方式非本发明中发明点，此处不加赘述。
超声影像截取单元12，超声扫描设备导出的图像数据为各医疗器械公司设计的超声报告图像，除血管超声数据外还包含诸多的带有设计公司独特的界面图形化设计元素，在本单元中系统进行定位和裁剪其中有效的血管超声图像部分。即分离出超声仪器用户界面中的核心超声图像成分以供后续的图像处理分析。
定位模块2，用于对单帧血管超声图像数据中内膜影像成分进行寻找，并选择内膜成像质量最优的图像部分进行裁剪，作为整张血管超声图像的感兴趣区域。
其中定位模块2包括：
内膜标准模板单元21，作为标准化内膜模型库，用于储存从血管图像中由专业人员预先剪裁出图像层次清晰的内膜组分图样。由于优质的内膜超声图像有明显的层次结构，即管腔、内膜和中膜，以此模板为参照在图像能够定位到同样层次清晰，与模板同属于内膜结构的像素块。同时人工选取优质的小尺寸层次结构图像作为模板，可转换若干角度，得到N张内膜模板图像，方便丰富模型库。不同角度的模板用于适应超声图像中血管的不同倾斜位置。
匹配单元22，用于计算图像中各区域与内膜标准模板的匹配程度。
分析模块3，用于对所述定位模块得到的内膜感兴趣区域进行分割、统计、计算等分析处理，输出内膜测量结果。
其中分析模块3包括：
匹配结果分析单元31，用于统计当前帧图像中各区域与内膜模板的匹配系数，根据匹配系数筛选所得结果区域作为血管超声图像的感兴趣区域。根据匹配结果矩阵R(x,y)遍历所有的矩阵元素，判断矩阵内所有元素是否均低于匹配阈值Rq，确保待匹配图像是一幅可进行内膜厚度测量的超声血管图像，拒绝错误结果的输出。其中Rq选择过程如下：
进行多次预匹配实验，由于匹配结果计算公式的选取，匹配结果越大代表待匹配图像此处像素块与匹配模板的差异度越高，越偏离系统需要找寻的内膜结构，所以统计所有匹配结果矩阵中最大值Max(Rq(N))作为匹配阈值Rq。
若矩阵内所有元素均高于匹配阈值Rq，为匹配失败，可能由于图像质量过低或内膜结构较为异常，此时将程序报错，并人为参与考虑是否进行剪裁加入模板集合；
若矩阵内所有元素存在低于匹配阈值Rq，系统认为匹配成功，在诸多匹配系数中选择出匹配度最高的位置，系统认为该位置有适合测量内膜厚度的良好内膜结构。
图像分析单元32，用于对所述血管超声图像ROI矩阵进行图像分析。
测量分析单元33，根据所述图像分析单元的数据，计算单位像素间距内膜区域的面积，作为血管超声疾病诊断系统的内膜厚度测量结果输出。
实施例3
本实施例提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现实施例1的基于模板匹配的血管超声内膜自动化测量方法。
在本发明的几个实施方式中，应该理解到，本发明核心方法中以血管内膜作为定位模板在原图中进行模板匹配遍历，也可以是其他以血管内膜为寻找目标，在整图中遍历局部的传统图像定位方法或者深度学习方法。
实施例4
一种基于模板匹配的血管超声内膜自动化测量装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现实施例1所述的基于模板匹配的血管超声内膜自动化测量方法。
在硬件层面，该装置包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的方法。当然，除了软件实现方式之外，本发明并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（ProgrammableLogic Device, PLD）（例如现场可编程门阵列（Field Programmable Gate Array，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（HardwareDescription Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（AdvancedBoolean Expression Language）、AHDL（Altera Hardware Description Language）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（JavaHardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（Ruby HardwareDescription Language）等，目前最普遍使用的是VHDL（Very-High-Speed IntegratedCircuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。

Claims (11)

1.一种基于模板匹配的血管超声内膜自动化测量方法，包括如下步骤：
S1、超声扫描设备导出血管径向切面图像，该血管径向切面图像包含除血管径向切面外的图形化设备界面元素；
S2、灰度化血管径向切面图像，进行边缘提取，形成包含所有原始边缘的二值图像；
S3、对包含原始边缘的二值图像进行形态学整形，形成只包含主轮廓边缘的二值图像；
S4、获取主轮廓的二值图像中的全部闭合轮廓，提取血管径向切面区域轮廓坐标，对步骤S1所述的血管径向切面图像依照坐标剪裁，进行图像灰度化，形成设备信息脱敏图像；
S5、选取小尺寸内膜图像作为模板，得到内膜模板图像模型库；
S6、根据模型库对设备信息脱敏图像使用模板匹配的方法，获取模板相似度的匹配参数，选择匹配参数最小的区域作为感兴趣区域ROI图像；
S7、对ROI图像进行边缘提取，获得内膜结构的三条分割线，将ROI图像分割为由内而外顺序排列的四个连通区域；
S8、统计连通区域质心坐标、面积的信息，定位第二和第三顺序的连通域为内膜结构，通过连通域信息计算其厚度进行输出，具体包括：使用连通域分析的方法统计包括各组连通域的像素点质心坐标{（x1,y1），（x2,y2）,（x3,y3）,（x4,y4）}、面积（S1、S2、S3、S4）和外接四边形坐标的信息；
得到公式(1)质心横坐标方差S12：，得到公式(2)质心纵坐标方差S22：
，取其中最小方差代表的坐标轴，进行顺序排列，连通域位置排列由血管内外方向的第二和第三顺序的连通域确定为内中膜结构；
第二连通域外接四边形坐标包括左上（b1，b2），右下（b3，b4），第三连通域外接四边形坐标包括左上（c1，c2），右下（c3，c4），选择与最大方差代表的坐标轴，取四个坐标值最大差值max，即当S12> S22，取max=|c3-b1||，当S12≥ S22,取max=|c4-b2|，计算由第二和第三连通域的总面积为，得到公式(3)内中膜厚度：/>，其中，a、b、c、d分别表示ROI图像分割为血管由内而外顺序排列的四个连通区域。
2.如权利要求1所述的一种基于模板匹配的血管超声内膜自动化测量方法，其特征在于，步骤S2具体包括：将步骤S1所述的血管径向切面图像转化为灰度图像，对图像进行自适应阈值分割二值化，使用高斯滤波适当滤除噪声信号，使用Canny算子提取边缘，获取原始边缘的二值图像。
3.如权利要求1所述的一种基于模板匹配的血管超声内膜自动化测量方法，其特征在于，步骤S3具体包括：对原始边缘的二值图像进行形态学闭运算，再进行形态学开运算，获取主轮廓的二值图像。
4.如权利要求1所述的一种基于模板匹配的血管超声内膜自动化测量方法，其特征在于，步骤S4具体包括：对主轮廓的二值图像使用Canny算子提取所有轮廓，筛选出所有闭合轮廓，选择其中外接四边形面积最大的一条，记录四边形顶点坐标，对步骤S1所述的血管径向切面图像依照坐标剪裁矩形，将保留图像灰度化，形成设备信息脱敏图像。
5.如权利要求1所述的一种基于模板匹配的血管超声内膜自动化测量方法，其特征在于，步骤S5具体包括：选取两张结构清晰的小尺寸内膜图像作为模板，再旋转角度，获取包含若干张内膜模板图像模型库。
6.如权利要求1所述的一种基于模板匹配的血管超声内膜自动化测量方法，其特征在于，步骤S6具体包括：使用内膜模板图像模型库对设备信息脱敏图像进行内膜的模板匹配，输出为匹配参数矩阵，矩阵中每个元素代表该内膜模板在原始图像中不同位置的匹配结果；滤除错误匹配结果并寻找其中匹配参数数值最小的元素点，选择该元素点所代表的位置区域裁剪，得到设备信息脱敏图像，获取ROI图像。
7.如权利要求6所述的一种基于模板匹配的血管超声内膜自动化测量方法，其特征在于，步骤S7具体包括：对ROI图像使用平滑滤波，再使用Canny算子提取边缘的方法生成管腔内-内膜-中膜-外膜层次结构的分界线，ROI图像被三条分界线分割为四个独立区域。
8.如权利要求7所述的一种基于模板匹配的血管超声内膜自动化测量方法，其特征在于，步骤S7具体还包括：对形成四个独立区域的二值图像进行连通域识别，认为两像素点以上、下、左、右、左上、左下、右上、右下任意位置同灰度即为连通，图像中每个像素被分配到唯一的标签值，得到包括四个连通域和分割线共五组像素标签。
9.一种基于模板匹配的血管超声内膜自动化测量系统，其特征在于，包括：
血管径向切面图像导出模块，用于以超声扫描设备导出血管径向切面图像，该血管径向切面图像包含除血管径向切面外的图形化设备界面元素；
血管径向切面图像边缘提取模块，用于灰度化血管径向切面图像，进行边缘提取，形成包含所有原始边缘的二值图像；
二值图像整形模块，用于对包含原始边缘的二值图像进行形态学整形，形成只包含主轮廓边缘的二值图像；
设备信息脱敏图像形成模块，用于获取主轮廓的二值图像中的全部闭合轮廓，提取血管径向切面区域轮廓坐标，对血管径向切面图像依照坐标剪裁，进行图像灰度化，形成设备信息脱敏图像；
内膜模板图像模型库获取模块，用于选取小尺寸内膜图像作为模板，得到内膜模板图像模型库；
感兴趣区域ROI图像选取模块，用于根据模型库对设备信息脱敏图像使用模板匹配的方法，获取模板相似度的匹配参数，选择匹配参数最小的区域作为感兴趣区域ROI图像；
ROI图像分割模块，用于对ROI图像进行边缘提取，获得内膜结构的三条分割线，将ROI图像分割为由内而外顺序排列的四个连通区域；
内膜厚度计算模块，用于统计连通区域质心坐标、面积的信息，定位第二和第三顺序的连通域为内膜结构，通过连通域信息计算其厚度进行输出，具体包括：使用连通域分析的方法统计包括各组连通域的像素点质心坐标{（x1,y1），（x2,y2）,（x3,y3）,（x4,y4）}、面积（S1、S2、S3、S4）和外接四边形坐标的信息；
得到公式(1)质心横坐标方差S12：，得到公式(2)质心纵坐标方差S22：
，取其中最小方差代表的坐标轴，进行顺序排列，连通域位置排列由血管内外方向的第二和第三顺序的连通域确定为内中膜结构；
第二连通域外接四边形坐标包括左上（b1，b2），右下（b3，b4），第三连通域外接四边形坐标包括左上（c1，c2），右下（c3，c4），选择与最大方差代表的坐标轴，取四个坐标值最大差值max，即当S12> S22，取max=|c3-b1||，当S12≥ S22,取max=|c4-b2|，计算由第二和第三连通域的总面积为，得到公式(3)内中膜厚度：/>，其中，a、b、c、d分别表示ROI图像分割为血管由内而外顺序排列的四个连通区域。
10.一种基于模板匹配的血管超声内膜自动化测量装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-8中任一项所述的基于模板匹配的血管超声内膜自动化测量方法。
11.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-8中任一项所述的基于模板匹配的血管超声内膜自动化测量方法。
CN202311616547.XA 2023-11-30 2023-11-30 一种基于模板匹配的血管超声内膜自动化测量方法及系统 Active CN117333529B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311616547.XA CN117333529B (zh) 2023-11-30 2023-11-30 一种基于模板匹配的血管超声内膜自动化测量方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311616547.XA CN117333529B (zh) 2023-11-30 2023-11-30 一种基于模板匹配的血管超声内膜自动化测量方法及系统

Publications (2)

Publication Number Publication Date
CN117333529A CN117333529A (zh) 2024-01-02
CN117333529B true CN117333529B (zh) 2024-03-15

Family

ID=89277656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311616547.XA Active CN117333529B (zh) 2023-11-30 2023-11-30 一种基于模板匹配的血管超声内膜自动化测量方法及系统

Country Status (1)

Country Link
CN (1) CN117333529B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575886B (zh) * 2024-01-15 2024-04-05 之江实验室 一种图像边缘检测器、检测方法、电子设备、介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012140147A2 (en) * 2011-04-12 2012-10-18 Dublin City University Processing ultrasound images
CN102800089A (zh) * 2012-06-28 2012-11-28 华中科技大学 基于颈部超声图像的主颈动脉血管提取和厚度测量方法
CN106570871A (zh) * 2016-11-02 2017-04-19 天津大学 模糊c均值颈动脉超声图像内中膜厚度测量方法及系统
JP2017124063A (ja) * 2016-01-14 2017-07-20 国立大学法人 名古屋工業大学 動脈血管検出装置および動脈血管評価装置
CN110047086A (zh) * 2019-04-24 2019-07-23 飞依诺科技(苏州)有限公司 颈动脉内膜厚度自动测量方法及系统
CN110246136A (zh) * 2019-05-29 2019-09-17 山东大学 一种基于混合算法的血管内超声参数提取方法及系统
KR102125388B1 (ko) * 2019-08-12 2020-06-22 (주)임펙 엔터프라이즈 기판의 절단위치를 자동으로 보정하는 기판절단장비 및 이를 위한 보정 방법
CN113876304A (zh) * 2021-09-08 2022-01-04 深圳市中科微光医疗器械技术有限公司 一种基于oct图像和造影图像确定ffr的方法及装置
CN116310420A (zh) * 2023-03-22 2023-06-23 浙江大学嘉兴研究院 一种基于邻域差值的图像相似度度量方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6817982B2 (en) * 2002-04-19 2004-11-16 Sonosite, Inc. Method, apparatus, and product for accurately determining the intima-media thickness of a blood vessel

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012140147A2 (en) * 2011-04-12 2012-10-18 Dublin City University Processing ultrasound images
CN102800089A (zh) * 2012-06-28 2012-11-28 华中科技大学 基于颈部超声图像的主颈动脉血管提取和厚度测量方法
JP2017124063A (ja) * 2016-01-14 2017-07-20 国立大学法人 名古屋工業大学 動脈血管検出装置および動脈血管評価装置
CN106570871A (zh) * 2016-11-02 2017-04-19 天津大学 模糊c均值颈动脉超声图像内中膜厚度测量方法及系统
CN110047086A (zh) * 2019-04-24 2019-07-23 飞依诺科技(苏州)有限公司 颈动脉内膜厚度自动测量方法及系统
CN110246136A (zh) * 2019-05-29 2019-09-17 山东大学 一种基于混合算法的血管内超声参数提取方法及系统
KR102125388B1 (ko) * 2019-08-12 2020-06-22 (주)임펙 엔터프라이즈 기판의 절단위치를 자동으로 보정하는 기판절단장비 및 이를 위한 보정 방법
CN113876304A (zh) * 2021-09-08 2022-01-04 深圳市中科微光医疗器械技术有限公司 一种基于oct图像和造影图像确定ffr的方法及装置
CN116310420A (zh) * 2023-03-22 2023-06-23 浙江大学嘉兴研究院 一种基于邻域差值的图像相似度度量方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Validation of a new device for photoplethysmographic measurement of multi-site arterial pulse wave velocity;Tadeusz Sondej 等;ELSEVIER;1664-1684 *
一种血管内超声图像边缘提取的新方法;王志东;汪友生;李龙;董路;李冠宇;;计算机系统应用(09);155+178-181 *
基于支持向量机的颈动脉超声图像内中膜厚度测量;刘一学;李锵;关欣;白煜;;中国医学物理学杂志(05);25-29 *

Also Published As

Publication number Publication date
CN117333529A (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
WO2021169128A1 (zh) 眼底视网膜血管识别及量化方法、装置、设备及存储介质
CN109978037B (zh) 图像处理方法、模型训练方法、装置、和存储介质
TWI496112B (zh) 細胞影像分割方法以及核質比評估方法
US20210272274A1 (en) Method and system for measuring morphological parameters of an intracranial aneurysm image
US20220207742A1 (en) Image segmentation method, device, equipment and storage medium
CN117333529B (zh) 一种基于模板匹配的血管超声内膜自动化测量方法及系统
CN116503607B (zh) 一种基于深度学习的ct图像分割方法和系统
CN112348082B (zh) 深度学习模型构建方法、影像处理方法及可读存储介质
CN105825516A (zh) 一种dicom影像血流分析系统
CN114066886B (zh) 骨骼分割边界确定方法、装置、电子设备及存储介质
CN114240937B (zh) 一种基于ct切片的肾结石检测方法及系统
CN112651984B (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
US20240005510A1 (en) Method and apparatus of nidus segmentation, electronic device, and storage medium
CN116168258B (zh) 一种目标物分类方法、装置、设备及可读存储介质
CN114693710A (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
CN109816650A (zh) 一种基于二维dsa图像的目标区域识别方法及其系统
Wang et al. Automated segmentation of breast arterial calcifications from digital mammography
CN115760756A (zh) 一种病灶检测方法、可读存储介质及电子设备
CN114037719B (zh) 骨骼区域确定方法、装置、电子设备及存储介质
CN115205298A (zh) 肝部区域血管分割的方法及设备
CN114998582A (zh) 一种冠脉血管的分割方法、装置及存储介质
CN115546094A (zh) 一种模型的训练方法、ct图像的优化方法及装置
CN116229218B (zh) 一种模型训练、图像配准方法及装置
CN116152600A (zh) 一种模型训练方法、装置、设备及可读存储介质
Allgöwer et al. Liver Tumor Segmentation Using Classical Algorithms & Deep Learning

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