CN117496173A - 图像处理的脑血管特征提取方法及系统 - Google Patents
图像处理的脑血管特征提取方法及系统 Download PDFInfo
- Publication number
- CN117496173A CN117496173A CN202311506784.0A CN202311506784A CN117496173A CN 117496173 A CN117496173 A CN 117496173A CN 202311506784 A CN202311506784 A CN 202311506784A CN 117496173 A CN117496173 A CN 117496173A
- Authority
- CN
- China
- Prior art keywords
- head
- cerebrovascular
- model
- image
- deformation
- 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.)
- Granted
Links
- 230000002490 cerebral effect Effects 0.000 title claims abstract description 275
- 230000002792 vascular Effects 0.000 title claims abstract description 219
- 238000012545 processing Methods 0.000 title claims abstract description 123
- 238000000605 extraction Methods 0.000 title claims abstract description 48
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 254
- 230000017531 blood circulation Effects 0.000 claims abstract description 143
- 238000005452 bending Methods 0.000 claims abstract description 107
- 210000004556 brain Anatomy 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 27
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims description 110
- 238000012937 correction Methods 0.000 claims description 71
- 230000011218 segmentation Effects 0.000 claims description 61
- 230000003287 optical effect Effects 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008439 repair process Effects 0.000 claims description 13
- 238000002591 computed tomography Methods 0.000 description 17
- 230000009286 beneficial effect Effects 0.000 description 10
- 230000004660 morphological change Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 230000000877 morphologic effect Effects 0.000 description 7
- 230000002349 favourable effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005477 standard model Effects 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000003727 cerebral blood flow Effects 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000006496 vascular abnormality Effects 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- 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
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/44—Morphing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及图像数据处理技术领域,尤其涉及一种基于图像处理的脑血管特征提取方法及系统。所述方法包括以下步骤:对用户头部三维图像进行头部三维建模处理,生成标准头部三维模型;对用户进行目标区域的脑血管图像采集,生成目标脑血管图像;对目标脑血管图像进行脑血管特征提取,以获得脑血管特征图像;将脑血管特征图像传输至标准头部三维模型进行脑血管映射处理,生成目标脑血管模型;对目标脑血管模型进行脑血管弯曲节点的形变量图像采集,生成形变图像集;对血液流速数据进行实时采集处理,生成实时血液流速数据;根据形变图像集进行血管形变特征预测,生成脑血管形变特征数据。本发明实现通过血液流速变化判断脑血管形变程度。
Description
技术领域
本发明涉及图像数据处理技术领域,尤其涉及一种基于图像处理的脑血管特征提取方法及系统。
背景技术
基于图像处理的脑血管特征提取方法的重要性在于它可以通过分析医学影像数据中的血管结构,实现对脑血管系统的定量分析。还能提供关于血管网络的拓扑信息,有助于研究脑血流动力学等方面的科学问题。这些特征提取方法的发展,使得医疗领域可以更精确、快速地了解患者的脑血管状况。然而,传统的图像处理的脑血管特征提取方法往往只是将血管的图像进行提取,并没有考虑血管的血液流速与血管的形变关系,使得提取数据往往过于单一。
发明内容
基于此,本发明提供一种基于图像处理的脑血管特征提取方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种基于图像处理的脑血管特征提取方法,包括以下步骤:
步骤S1:利用3D光学扫描仪对用户进行头部扫描处理,生成用户头部三维图像;利用三维建模技术对用户头部三维图像进行头部三维建模处理,生成初始头部三维模型;对初始头部三维模型进行模型校正处理,生成标准头部三维模型;
步骤S2:获取用户的脑血管分析区域;利用CT扫描仪以及脑血管分析区域对用户进行目标区域的脑血管图像采集,生成目标脑血管图像;对目标脑血管图像进行脑血管特征提取,以获得脑血管特征图像;
步骤S3:将脑血管特征图像传输至标准头部三维模型进行脑血管映射处理,并根据脑血管分析区域进行模型的目标区域提取处理,生成目标脑血管模型;
步骤S4:利用超声波传感器对用户进行脑血管的血液流速数据采集,生成血液流速数据;对目标脑血管模型进行脑血管弯曲节点提取,生成目标脑血管模型的脑血管弯曲节点;根据血液流速数据对脑血管弯曲节点进行弯曲节点的形变量图像采集,生成脑血管弯曲节点的形变图像集;对血液流速数据进行实时采集处理,生成实时血液流速数据;根据形变图像集以及实时血液流速数据进行血管形变特征预测,生成脑血管形变特征数据。
本发明利用3D光学扫描仪获取用户头部的高分辨率三维图像,允许医疗专业人员在非侵入性的情况下获得详尽的头部解剖结构信息;通过三维建模技术将这些图像转化为初始头部三维模型,从而为进一步的分析提供了基础,模型校正处理进一步提高了模型的准确性,最终生成标准头部三维模型,这个标准模型可用于与患者的头部结构进行比较,不仅提供了个体化的解决方案,还为脑血管分析提供了更准确和可靠的基线。确定了用户的脑血管分析区域,这种个体化的选择有助于针对特定患者进行更精确的分析,利用CT扫描仪对该目标区域进行高分辨率的脑血管图像采集,这提供了详细的血管结构信息;通过对目标脑血管图像进行脑血管特征提取,可以生成脑血管特征图像,这些特征包括血管的直径、分支情况等,提供了关于脑血管系统功能和形态的重要信息,提供了深入了解患者脑血管状况的工具。将脑血管特征图像与标准头部三维模型相结合,进行脑血管映射处理,从而将个体患者的脑血管数据与标准头部模型对齐,实现了脑血管信息的解剖学定位;根据脑血管分析区域进行模型的目标区域提取处理,进一步精确地关注了与脑血管有关的区域,降低了冗余信息,使分析更加专注和精确;生成目标脑血管模型,该模型反映了患者的脑血管分布和特征,有助于医疗专业人员更深入地研究和评估脑血管结构。利用超声波传感器实时采集用户脑血管的血液流速数据,为实时监测提供了关于脑血管功能的重要信息,有助于及时检测血流异常和动态变化;对目标脑血管模型进行脑血管弯曲节点提取,生成目标脑血管模型的脑血管弯曲节点,有助于了解脑血管结构的复杂性和形态特征;通过根据血液流速数据对脑血管弯曲节点进行形变量图像采集,生成脑血管弯曲节点的形变图像集,可用于捕捉脑血管的动态形态变化;而实时血液流速数据的采集则使系统能够持续监测血流情况;根据形变图像集和实时血液流速数据进行血管形变特征预测,生成脑血管形变特征数据,有助于观察脑血管的形态。因此,本发明的图像处理的脑血管特征提取方法不只是将血管的图像进行提取,是通过考虑血管的血液流速与血管的形变关系,使得脑血管形变关系更为精准,更便于观察脑血管形态。
优选地,步骤S1包括以下步骤:
步骤S11:利用3D光学扫描仪对用户进行头部扫描处理,生成用户头部三维图像;
步骤S12:利用三维建模技术对用户头部三维图像进行头部三维建模处理,生成初始头部三维模型;
步骤S13:获取医疗数据库中的历史患者的头部三维模型;
步骤S14:根据历史患者的头部三维模型进行三维模型重叠处理,并对每个头部三维模型进行差异部分的加权平均处理,以生成校正头部三维模型;
步骤S15:将初始头部三维模型进行模型分割处理,生成分割头部三维模型;
步骤S16:根据校正头部三维模型对分割头部三维模型进行模型校正重构处理;生成标准头部三维模型。
本发明通过3D光学扫描仪对用户进行头部扫描,生成高分辨率的用户头部三维图像,为后续步骤提供了精确的头部解剖结构信息,提供了非侵入性且高分辨率的头部图像,这有助于深入研究患者的头部结构。通过三维建模技术对用户头部三维图像进行建模,生成初始头部三维模型,为脑血管分析提供了基础,能够将头部图像从二维扫描转化为三维模型,为后续分析提供了立体感,增加了模型的准确性。获取医疗数据库中的历史患者的头部三维模型,以建立标准化的参考数据,历史患者数据的引入允许建立与常态头部解剖结构相关的参考信息。通过三维模型重叠和加权平均处理,生成校正头部三维模型,减少个体差异对分析的影响,提供了校正头部模型,该模型融合了多个历史患者的数据,减少了个体差异对脑血管分析的干扰,使得分析更加准确。将初始头部三维模型进行分割处理,提取出头部结构的不同部分,为进一步模型校正提供了精确的分割区域,分割头部模型有助于将关注点集中在特定头部区域,从而减少了分析的复杂性,并为后续模型校正和脑血管映射提供了更好的基础。基于校正头部模型对分割头部模型进行模型校正重构,生成标准头部三维模型,用于脑血管映射和分析,该模型具有更高的准确性和一致性。
优选地,步骤S16包括以下步骤:
将分割头部三维模型传输至校正头部三维模型进行模型比对处理,当分割头部三维模型与校正头部三维模型之间的差异大于预设的三维模型误差阈值时,根据校正头部三维模型对分割头部三维模型进行模型校正处理,生成分割头部修复模型;当分割头部三维模型与校正头部三维模型之间的差异不大于预设的三维模型误差阈值时,将分割头部三维模型标记为分割头部常规模型;
根据分割头部修复模型以及分割头部常规模型进行头部模型重构,生成标准头部三维模型。
本发明通过将分割头部三维模型与校正头部三维模型进行比对处理,能够检测到两者之间的差异,当差异大于预设的误差阈值时,触发模型校正处理,从而有效地捕捉和纠正头部三维模型的结构偏差,进一步提高了模型的准确性和可靠性。当差异大于阈值时,对分割头部三维模型进行模型校正处理,生成分割头部修复模型,这个修复模型对于纠正头部结构的偏差非常有用,确保最终生成的标准头部三维模型能够准确地反映用户的头部解剖结构。若分割头部三维模型与校正头部三维模型的差异在可接受的误差阈值内,则将其标记为分割头部常规模型,这表明该模型已经足够接近标准,无需额外的校正,从而提高了处理效率。基于分割头部修复模型和分割头部常规模型,进行头部模型重构,生成标准头部三维模型,该标准模型将更准确地反映用户的头部结构,为后续脑血管特征提取提供了精确的基础。
优选地,步骤S2包括以下步骤:
步骤S21:获取用户的脑血管分析区域;
步骤S22:利用CT扫描仪以及脑血管分析区域对用户进行目标区域的脑血管图像采集,生成目标脑血管图像;
步骤S23:利用加权平均法对目标脑血管图像进行图像的灰度值计算,生成目标脑血管图像的灰度值数据;
步骤S24:根据灰度值数据对目标脑血管图像进行脑血管特征提取,以获得脑血管特征图像。
本发明通过明确定义用户的脑血管分析区域,提高了分析的针对性,集中精力分析关键区域,减少了数据冗余。利用CT扫描仪采集用户目标区域的脑血管图像,这提供了高分辨率的血管结构信息,可用于检测和定量分析脑血管的形态和分布。通过加权平均法计算目标脑血管图像的灰度值数据,提供了对血管图像的定量描述,这对于分析血管密度、对比度和血管特征的变化至关重要。基于灰度值数据对目标脑血管图像进行脑血管特征提取,从而获得脑血管特征图像,这些特征包括血管直径、分支模式和形态等,提供了全面的脑血管信息。
优选地,步骤S24包括以下步骤:
利用预设的灰度值阈值与灰度值数据进行比对,当灰度值数据大于灰度值阈值时,将灰度值数据对应的目标脑血管图像标记为脑血管特征图像;当灰度值数据不大于灰度值阈值时,将灰度值数据对应的目标脑血管图像剔除。
本发明利用预设的灰度值阈值与灰度值数据进行比对,可以有效地筛选出目标脑血管图像中的关键血管结构,标记为脑血管特征图像,这个过程将减少不相关信息的干扰,更专注于关注重要的血管特征。当灰度值数据不满足预设的阈值时,将相应的目标脑血管图像剔除,有助于去除无关的结构,提高了脑血管特征提取的精确性和可靠性,确保分析的准确性。
优选地,步骤S3包括以下步骤:
步骤S31:将脑血管特征图像传输至标准头部三维模型进行脑血管映射处理,生成头部脑血管模型;
步骤S32:根据脑血管分析区域对头部脑血管模型进行模型的目标区域提取处理,生成目标脑血管模型。
本发明通过将脑血管特征图像与标准头部三维模型进行脑血管映射处理,实现了将个体用户的脑血管信息与标准头部模型的对应,进一步提高了脑血管特征数据的空间解剖定位,有助于更准确地了解脑血管的分布和结构。根据脑血管分析区域对头部脑血管模型进行模型的目标区域提取处理,使分析更加精细,关注于用户特定的脑血管区域,从而减少了不必要的信息,提高了分析的专业性和精确性。
优选地,步骤S4包括以下步骤:
步骤S41:利用超声波传感器对用户进行脑血管的血液流速数据采集,生成血液流速数据;
步骤S42:对目标脑血管模型进行脑血管弯曲节点提取,生成目标脑血管模型的脑血管弯曲节点;
步骤S43:根据血液流速数据对脑血管弯曲节点进行弯曲节点的形变量图像采集,生成脑血管弯曲节点的形变图像集;
步骤S44:利用血管形变关系算法对形变图像集进行血管形变关系计算,生成脑血管形变关系数据;
步骤S45:对血液流速数据进行实时采集处理,生成实时血液流速数据;
步骤S46:根据实时血液流速数据以及脑血管形变关系数据进行血管形变特征预测,生成脑血管形变特征数据。
本发明利用超声波传感器对用户进行脑血管的血液流速数据采集,提供了对脑血管功能的实时监测,有助于及时检测血流和动态变化。对目标脑血管模型进行脑血管弯曲节点提取,有助于了解脑血管结构的复杂性和形态特征,从而提供了更全面的血管信息。根据血液流速数据对脑血管弯曲节点进行形变量图像采集,实现了对脑血管形态变化的捕捉,有助于详细分析血管的弯曲和形态变化。利用血管形变关系算法对形变图像集进行计算,生成脑血管形变关系数据,这些数据提供了脑血管结构变化的定量描述,有助于更深入地理解脑血管的动态特征。对血液流速数据进行实时采集处理,确保能够持续监测血流情况。根据实时血液流速数据以及脑血管形变关系数据进行血管形变特征预测,生成脑血管形变特征数据,这些数据提供了脑血管结构和功能,得到用户个性化的脑血管形变与血液流速的特征关系。
优选地,步骤S42包括以下步骤:
对目标脑血管模型进行脑血管的弯曲角度计算处理,生成脑血管弯曲数据;
根据脑血管弯曲数据对目标脑血管模型进行脑血管弯曲节点提取,生成目标脑血管模型的脑血管弯曲节点。
本发明通过对目标脑血管模型进行脑血管的弯曲角度计算处理,量化血管的曲线程度和弯曲度,为分析脑血管结构提供了定量信息,有助于观察脑血管的复杂性和形态特征。根据脑血管的弯曲数据,对目标脑血管模型进行脑血管弯曲节点提取,这个过程有助于识别和标记脑血管中的弯曲节点,更容易理解脑血管的结构和特征。
优选地,步骤S44中的血管形变关系算法如下所示:
式中,V(x,y,z)为脑血管形变关系数据,表示在三维坐标空间内的血管形变度,E为血管动态变化下的平均半径,v为血液流速数据,u为在横轴方向上的血管形变速率,x为血管横坐标,为在横轴方向上的血管形变速度对横坐标的偏导数,即表示横坐标的血管型形变速率梯度,q为在纵轴方向上的血管形变速率,y为血管纵坐标,/>为在横轴方向上的血管形变速度对纵坐标的偏导数,即表示纵坐标的血管型形变速率梯度,w为在竖轴方向上的血管形变速率,z为血管竖轴坐标,/>为在竖轴方向上的血管形变速度对竖轴坐标的偏导数,即表示竖轴坐标的血管型形变速率梯度。
本发明利用一种血管形变关系算法,该算法充分考虑了血管动态变化下的平均半径E、血液流速数据v、在横轴方向上的血管形变速率u、血管横坐标x、在横轴方向上的血管形变速度对横坐标的偏导数在纵轴方向上的血管形变速率q、血管纵坐标y、在横轴方向上的血管形变速度对纵坐标的偏导数/>在竖轴方向上的血管形变速率w、血管竖轴坐标z、在竖轴方向上的血管形变速度对竖轴坐标的偏导数/>以及函数之间的相互作用关系,以形成函数关系式:
即,该函数关系式通过计算血液流速与血管形变的关系,即脑血管形变关系数据,用于后续采集血液流速时预测血管形变变化的特征关系。血管动态变化下的平均半径用于描述血管的大小,反映了血管管壁在动态变化下的平均水平;血液流速的数据,表示血液在血管内的流速,血液流速可以对血管形变产生影响,这个参数用于考虑流速对血管形变的影响程度;血管在横轴、纵轴以及竖轴方向上的形变速率,即血管横坐标的形变速度,它描述了血管在横向上的扩张或收缩情况;横轴、纵轴以及竖轴方向上的血管形变速度对横轴、纵轴以及竖轴坐标的偏导数,即表示坐标的血管形变速率梯度,描述了血管形变速率在横轴、纵轴以及竖轴向上的变化率,从而可以得到血液流速与血管形变的特征关系。该函数关系式对血管的形变进行定量分析,而不仅仅是定性观察,对于了解血管的具体形态变化、以及其影响因素非常重要,能够针对用户进行个性化的血管形变分析。
本说明书中提供一种基于图像处理的脑血管特征提取系统,用于执行如上述所述的基于图像处理的脑血管特征提取方法,该基于图像处理的脑血管特征提取系统包括:
三维模型建模模块,利用3D光学扫描仪对用户进行头部扫描处理,生成用户头部三维图像;利用三维建模技术对用户头部三维图像进行头部三维建模处理,生成初始头部三维模型;对初始头部三维模型进行模型校正处理,生成标准头部三维模型;
脑血管特征图像采集模块,用于获取用户的脑血管分析区域;利用CT扫描仪以及脑血管分析区域对用户进行目标区域的脑血管图像采集,生成目标脑血管图像;对目标脑血管图像进行脑血管特征提取,以获得脑血管特征图像;
脑血管模型建立模块,用于将脑血管特征图像传输至标准头部三维模型进行脑血管映射处理,并根据脑血管分析区域进行模型的目标区域提取处理,生成目标脑血管模型;
脑血管形变特征预测模块,用于超声波传感器对用户进行脑血管的血液流速数据采集,生成血液流速数据;对目标脑血管模型进行脑血管弯曲节点提取,生成目标脑血管模型的脑血管弯曲节点;根据血液流速数据对脑血管弯曲节点进行弯曲节点的形变量图像采集,生成脑血管弯曲节点的形变图像集;对血液流速数据进行实时采集处理,生成实时血液流速数据;根据形变图像集以及实时血液流速数据进行血管形变特征预测,生成脑血管形变特征数据。
本申请有益效果在于,本发明利用3D光学扫描仪和三维建模技术,首先生成了用户的头部三维图像和初始头部三维模型,有助于捕捉个体的头部解剖结构,为后续的医学分析提供了关键数据,获取医疗数据库中历史患者的头部三维模型,并通过三维模型重叠和加权平均处理,生成了校正头部三维模型,考虑了多个患者的数据,从而提高了模型的准确性和代表性,对初始头部三维模型进行模型分割和校正重构处理,最终生成了标准头部三维模型,标准模型可以用作基准,以便更准确地比较和分析不同患者的头部结构。利用CT扫描仪和脑血管分析区域,采集用户的目标区域脑血管图像,有助于获取高分辨率的脑血管图像,为后续的分析提供了关键数据,通过加权平均法计算目标脑血管图像的灰度值数据,这一步骤有助于量化图像信息,提供了脑血管图像的灰度特征,为后续分析提供了基础,根据灰度值数据进行脑血管特征提取,从而生成了脑血管特征图像,这些特征图像可以用于进一步的分析和建模,有助于理解脑血管结构和病变。通过将脑血管特征图像传输至标准头部三维模型进行脑血管映射处理,生成头部脑血管模型,有助于将脑血管结构与头部解剖结构相关联,使得可以在头部三维模型中准确地表示脑血管分布,为进一步的分析提供了基础,根据脑血管分析区域对头部脑血管模型进行模型的目标区域提取处理,生成目标脑血管模型,有助于将兴趣区域内的脑血管结构从整体模型中分离出来,进一步聚焦于感兴趣的解剖区域,提高了精确性和可操作性。通过超声波传感器采集脑血管的血液流速数据,为脑血管的血流状况提供了实时的、非侵入性的监测手段,有助于了解血流速度的分布和变化,脑血管弯曲节点提取允许了对脑血管结构的局部特征进行分析,有助于检测潜在的血管异常或病变,形变图像集的生成允许了对脑血管的形状变化进行详细研究,特别是在血流动力学方面,为了更好地理解脑血管的变形和弯曲情况提供了信息,血管形变关系数据提供了对脑血管形状和血流速度之间相互关系的深入理解,这对于发现和分析异常情况非常有用,实时血液流速数据的采集使得可以连续监测脑血流情况,对于识别短期内的变化和趋势至关重要,脑血管形变特征数据的生成观察用户随血液流速变化引起的脑血管膨胀及缩减的形变情况。
附图说明
图1为本发明一种基于图像处理的脑血管特征提取方法的步骤流程示意图;
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S4的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供一种基于图像处理的脑血管特征提取方法,包括以下步骤:
步骤S1:利用3D光学扫描仪对用户进行头部扫描处理,生成用户头部三维图像;利用三维建模技术对用户头部三维图像进行头部三维建模处理,生成初始头部三维模型;对初始头部三维模型进行模型校正处理,生成标准头部三维模型;
步骤S2:获取用户的脑血管分析区域;利用CT扫描仪以及脑血管分析区域对用户进行目标区域的脑血管图像采集,生成目标脑血管图像;对目标脑血管图像进行脑血管特征提取,以获得脑血管特征图像;
步骤S3:将脑血管特征图像传输至标准头部三维模型进行脑血管映射处理,并根据脑血管分析区域进行模型的目标区域提取处理,生成目标脑血管模型;
步骤S4:利用超声波传感器对用户进行脑血管的血液流速数据采集,生成血液流速数据;对目标脑血管模型进行脑血管弯曲节点提取,生成目标脑血管模型的脑血管弯曲节点;根据血液流速数据对脑血管弯曲节点进行弯曲节点的形变量图像采集,生成脑血管弯曲节点的形变图像集;对血液流速数据进行实时采集处理,生成实时血液流速数据;根据形变图像集以及实时血液流速数据进行血管形变特征预测,生成脑血管形变特征数据。
本发明利用3D光学扫描仪获取用户头部的高分辨率三维图像,允许医疗专业人员在非侵入性的情况下获得详尽的头部解剖结构信息;通过三维建模技术将这些图像转化为初始头部三维模型,从而为进一步的分析提供了基础,模型校正处理进一步提高了模型的准确性,最终生成标准头部三维模型,这个标准模型可用于与患者的头部结构进行比较,不仅提供了个体化的解决方案,还为脑血管分析提供了更准确和可靠的基线。确定了用户的脑血管分析区域,这种个体化的选择有助于针对特定患者进行更精确的分析,利用CT扫描仪对该目标区域进行高分辨率的脑血管图像采集,这提供了详细的血管结构信息;通过对目标脑血管图像进行脑血管特征提取,可以生成脑血管特征图像,这些特征包括血管的直径、分支情况等,提供了关于脑血管系统功能和形态的重要信息,提供了深入了解患者脑血管状况的工具。将脑血管特征图像与标准头部三维模型相结合,进行脑血管映射处理,从而将个体患者的脑血管数据与标准头部模型对齐,实现了脑血管信息的解剖学定位;根据脑血管分析区域进行模型的目标区域提取处理,进一步精确地关注了与脑血管有关的区域,降低了冗余信息,使分析更加专注和精确;生成目标脑血管模型,该模型反映了患者的脑血管分布和特征,有助于医疗专业人员更深入地研究和评估脑血管结构。利用超声波传感器实时采集用户脑血管的血液流速数据,为实时监测提供了关于脑血管功能的重要信息,有助于及时检测血流异常和动态变化;对目标脑血管模型进行脑血管弯曲节点提取,生成目标脑血管模型的脑血管弯曲节点,有助于了解脑血管结构的复杂性和形态特征;通过根据血液流速数据对脑血管弯曲节点进行形变量图像采集,生成脑血管弯曲节点的形变图像集,可用于捕捉脑血管的动态形态变化;而实时血液流速数据的采集则使系统能够持续监测血流情况;根据形变图像集和实时血液流速数据进行血管形变特征预测,生成脑血管形变特征数据,有助于观察脑血管的形态。因此,本发明的图像处理的脑血管特征提取方法不只是将血管的图像进行提取,是通过考虑血管的血液流速与血管的形变关系,使得脑血管形变关系更为精准,更便于观察脑血管形态。
本发明实施例中,参考图1所述,为本发明一种基于图像处理的脑血管特征提取方法的步骤流程示意图,在本实施例中,所述智能用药管理方法包括以下步骤:
步骤S1:利用3D光学扫描仪对用户进行头部扫描处理,生成用户头部三维图像;利用三维建模技术对用户头部三维图像进行头部三维建模处理,生成初始头部三维模型;对初始头部三维模型进行模型校正处理,生成标准头部三维模型;
本发明实施例中,使用高分辨率的3D光学扫描仪对患者的头部进行扫描处理,扫描仪以快速而精确的方式捕捉患者头部的表面形状和纹理信息,这个过程类似于创建一个头部的数字化照片,但包含了更多的几何和纹理数据。利用三维建模技术,将从扫描仪获得的数据转换成头部的三维形状模型,这个模型是由大量的三维点云数据构成,每个点代表头部表面的一个离散点,三维建模技术可以进行点云的拟合、曲线和曲面的重建等操作,以创建一个初步的头部三维模型。初始头部三维模型可能受到扫描仪精度和扫描时可能的运动伪影的影响,因此需要进行模型校正处理,包括去除噪声、填补缺失的区域、对模型进行平滑以消除不规则性,并确保模型的准确性和一致性。通过对大量患者的校正后的头部三维模型进行比较和分析,可以生成一个标准头部三维模型,这个标准模型代表了典型的头部解剖结构,是一个基准,可以与个体患者的头部三维模型进行比较,以识别任何与标准结构的差异。
步骤S2:获取用户的脑血管分析区域;利用CT扫描仪以及脑血管分析区域对用户进行目标区域的脑血管图像采集,生成目标脑血管图像;对目标脑血管图像进行脑血管特征提取,以获得脑血管特征图像;
本发明实施例中,在进行脑血管分析之前,首先通过临床需求和患者病历信息,确定感兴趣的脑血管分析区域,这个区域通常包括大脑、颅内和颅外血管等。使用专业的CT(计算机断层扫描)扫描仪对患者进行扫描,重点覆盖脑血管分析区域,T扫描仪以高分辨率拍摄患者的头部,生成包含脑血管信息的二维切片图像。从CT扫描获得的切片图像中,选择与脑血管分析区域对应的切片,并将这些切片组合起来,生成目标脑血管图像,这些图像包含了感兴趣区域内的脑血管结构,如动脉和静脉。利用图像处理和分析技术,对目标脑血管图像进行特征提取,这包括识别血管的边界、测量血管直径、检测血管分支、计算血管长度等操作,以获得脑血管的特征信息。
步骤S3:将脑血管特征图像传输至标准头部三维模型进行脑血管映射处理,并根据脑血管分析区域进行模型的目标区域提取处理,生成目标脑血管模型;
本发明实施例中,将脑血管特征图像与标准头部三维模型进行数字传输,这个特征图像包含了患者脑血管的关键特征信息,如位置、大小和形状。利用计算机图形学和配准技术,将脑血管特征图像与标准头部三维模型进行映射处理,涉及将特征图像上的脑血管结构与标准模型上的相应区域进行匹配,以确定脑血管在标准头部模型中的位置。根据事先定义的脑血管分析区域,从标准头部三维模型中提取与该区域相匹配的部分,形成目标脑血管模型,确保只保留与脑血管分析相关的模型部分,减少了不必要的计算和分析。
步骤S4:利用超声波传感器对用户进行脑血管的血液流速数据采集,生成血液流速数据;对目标脑血管模型进行脑血管弯曲节点提取,生成目标脑血管模型的脑血管弯曲节点;根据血液流速数据对脑血管弯曲节点进行弯曲节点的形变量图像采集,生成脑血管弯曲节点的形变图像集;对血液流速数据进行实时采集处理,生成实时血液流速数据;根据形变图像集以及实时血液流速数据进行血管形变特征预测,生成脑血管形变特征数据。
本发明实施例中,使用超声波传感器,将传感器探头放置在用户头部的感兴趣区域,以进行脑血管的血液流速数据采集,超声波传感器发射超声波脉冲,并通过测量超声波的反射时间来计算血液在脑血管中的流速,生成血液流速数据。基于目标脑血管模型,进行脑血管的弯曲节点提取,通过分析脑血管模型的几何形状,识别出血管弯曲的关键节点,这些节点通常是血管的曲线或弯曲点。根据血液流速数据,对脑血管的弯曲节点进行形变量图像采集,对于每个弯曲节点,使用超声波数据计算其形变量,即节点位置相对于正常状态的位移或变形,形变量信息被记录下来,以生成脑血管弯曲节点的形变图像集。在持续进行超声波扫描的情况下,实时采集血液流速数据,确保了数据的连续性和时效性,以反映血流的实际动态变化。结合形变图像集和实时血液流速数据,使用专门的血管形变关系算法,进行脑血管形变特征的预测,这可以包括预测血管的弯曲程度、扭曲度、形状变化等信息,以便更好地了解脑血管的变化和状态。
优选地,步骤S1包括以下步骤:
步骤S11:利用3D光学扫描仪对用户进行头部扫描处理,生成用户头部三维图像;
步骤S12:利用三维建模技术对用户头部三维图像进行头部三维建模处理,生成初始头部三维模型;
步骤S13:获取医疗数据库中的历史患者的头部三维模型;
步骤S14:根据历史患者的头部三维模型进行三维模型重叠处理,并对每个头部三维模型进行差异部分的加权平均处理,以生成校正头部三维模型;
步骤S15:将初始头部三维模型进行模型分割处理,生成分割头部三维模型;
步骤S16:根据校正头部三维模型对分割头部三维模型进行模型校正重构处理;生成标准头部三维模型。
本发明通过3D光学扫描仪对用户进行头部扫描,生成高分辨率的用户头部三维图像,为后续步骤提供了精确的头部解剖结构信息,提供了非侵入性且高分辨率的头部图像,这有助于深入研究患者的头部结构。通过三维建模技术对用户头部三维图像进行建模,生成初始头部三维模型,为脑血管分析提供了基础,能够将头部图像从二维扫描转化为三维模型,为后续分析提供了立体感,增加了模型的准确性。获取医疗数据库中的历史患者的头部三维模型,以建立标准化的参考数据,历史患者数据的引入允许建立与常态头部解剖结构相关的参考信息。通过三维模型重叠和加权平均处理,生成校正头部三维模型,减少个体差异对分析的影响,提供了校正头部模型,该模型融合了多个历史患者的数据,减少了个体差异对脑血管分析的干扰,使得分析更加准确。将初始头部三维模型进行分割处理,提取出头部结构的不同部分,为进一步模型校正提供了精确的分割区域,分割头部模型有助于将关注点集中在特定头部区域,从而减少了分析的复杂性,并为后续模型校正和脑血管映射提供了更好的基础。基于校正头部模型对分割头部模型进行模型校正重构,生成标准头部三维模型,用于脑血管映射和分析,该模型具有更高的准确性和一致性。
作为本发明的一个实例,参考图2所示,为图1中步骤S1的详细实施步骤流程示意图,在本实例中所述步骤S1包括:
步骤S11:利用3D光学扫描仪对用户进行头部扫描处理,生成用户头部三维图像;
本发明实施例中,使用3D光学扫描仪对患者的头部进行扫描,扫描仪会获取头部的表面几何数据,通过测量光线的反射和折射,生成用户头部的三维点云数据,这些数据可以包括头部的外表面以及其细节。
步骤S12:利用三维建模技术对用户头部三维图像进行头部三维建模处理,生成初始头部三维模型;
本发明实施例中,利用三维建模技术,将从光学扫描仪获得的点云数据转化为初始头部三维模型,这个模型包括了头部的几何形状,但可能包含一些扫描噪音或不完整的部分。
步骤S13:获取医疗数据库中的历史患者的头部三维模型;
本发明实施例中,从医疗数据库中获取一组历史患者的头部三维模型,这些模型可以用作参考,以帮助改进当前患者模型的准确性和一致性。
步骤S14:根据历史患者的头部三维模型进行三维模型重叠处理,并对每个头部三维模型进行差异部分的加权平均处理,以生成校正头部三维模型;
本发明实施例中,将当前患者的初始头部三维模型与历史患者模型进行比对和重叠处理,通过计算模型之间的相似性和差异,可以确定哪些部分需要校正,对每个模型的差异部分进行加权平均处理,生成校正头部三维模型。
步骤S15:将初始头部三维模型进行模型分割处理,生成分割头部三维模型;
本发明实施例中,将初始头部三维模型进行模型分割处理,以区分头部的不同组成部分,,有助于更好地分析和操作头部模型的不同部分。
步骤S16:根据校正头部三维模型对分割头部三维模型进行模型校正重构处理;生成标准头部三维模型。
本发明实施例中,利用校正头部三维模型的信息,对分割头部三维模型进行模型校正和重构处理,这可以包括去除扫描噪音、填补模型的缺失部分,并确保模型的一致性,最终生成标准头部三维模型,可用于后续分析和处理。
优选地,步骤S16包括以下步骤:
将分割头部三维模型传输至校正头部三维模型进行模型比对处理,当分割头部三维模型与校正头部三维模型之间的差异大于预设的三维模型误差阈值时,根据校正头部三维模型对分割头部三维模型进行模型校正处理,生成分割头部修复模型;当分割头部三维模型与校正头部三维模型之间的差异不大于预设的三维模型误差阈值时,将分割头部三维模型标记为分割头部常规模型;
根据分割头部修复模型以及分割头部常规模型进行头部模型重构,生成标准头部三维模型。
本发明通过将分割头部三维模型与校正头部三维模型进行比对处理,能够检测到两者之间的差异,当差异大于预设的误差阈值时,触发模型校正处理,从而有效地捕捉和纠正头部三维模型的结构偏差,进一步提高了模型的准确性和可靠性。当差异大于阈值时,对分割头部三维模型进行模型校正处理,生成分割头部修复模型,这个修复模型对于纠正头部结构的偏差非常有用,确保最终生成的标准头部三维模型能够准确地反映用户的头部解剖结构。若分割头部三维模型与校正头部三维模型的差异在可接受的误差阈值内,则将其标记为分割头部常规模型,这表明该模型已经足够接近标准,无需额外的校正,从而提高了处理效率。基于分割头部修复模型和分割头部常规模型,进行头部模型重构,生成标准头部三维模型,该标准模型将更准确地反映用户的头部结构,为后续脑血管特征提取提供了精确的基础。
本发明实施例中,将分割头部三维模型传输至校正头部三维模型以执行模型比对处理,在这个过程中,对两个模型进行比较,测量它们之间的几何形状差异,例如点云之间的距离或表面之间的偏差,比对的结果与预设的三维模型误差阈值进行比较。当分割头部三维模型与校正头部三维模型之间的差异大于预设的误差阈值时,会自动触发模型校正处理,差异分析可以识别具体的差异部分,例如缺失或过度模拟的区域,并基于校正头部三维模型的信息做出决策。根据校正头部三维模型对分割头部三维模型进行模型校正处理,包括对差异区域进行表面平滑、点云修复、曲面拟合或拓扑结构调整等操作,以使分割头部三维模型更符合标准。当分割头部三维模型与校正头部三维模型之间的差异不大于预设的误差阈值时,将分割头部三维模型标记为分割头部常规模型,表示其已经足够准确,这些模型不需要额外的校正处理。基于校正头部三维模型以及标记为常规或修复的分割头部三维模型,进行头部模型的重构,可以将各个部分组合成一个完整的标准头部三维模型,确保模型的准确性和一致性。
优选地,步骤S2包括以下步骤:
步骤S21:获取用户的脑血管分析区域;
步骤S22:利用CT扫描仪以及脑血管分析区域对用户进行目标区域的脑血管图像采集,生成目标脑血管图像;
步骤S23:利用加权平均法对目标脑血管图像进行图像的灰度值计算,生成目标脑血管图像的灰度值数据;
步骤S24:根据灰度值数据对目标脑血管图像进行脑血管特征提取,以获得脑血管特征图像。
本发明通过明确定义用户的脑血管分析区域,提高了分析的针对性,集中精力分析关键区域,减少了数据冗余。利用CT扫描仪采集用户目标区域的脑血管图像,这提供了高分辨率的血管结构信息,可用于检测和定量分析脑血管的形态和分布。通过加权平均法计算目标脑血管图像的灰度值数据,提供了对血管图像的定量描述,这对于分析血管密度、对比度和血管特征的变化至关重要。基于灰度值数据对目标脑血管图像进行脑血管特征提取,从而获得脑血管特征图像,这些特征包括血管直径、分支模式和形态等,提供了全面的脑血管信息。
本发明实施例中,确定用户的脑血管分析区域。这可以通过临床需求或预定的分析区域标记来实现,确保仅关注感兴趣的脑部区域。使用CT扫描仪对用户的脑部进行扫描,特别关注脑血管分析区域,扫描的结果将生成目标区域的脑血管图像,其中包括血管的形态和分布信息。对目标脑血管图像进行灰度值计算,通常采用加权平均法,这涉及将每个像素的灰度值与其在血管区域内的权重相乘,以生成目标脑血管图像的灰度值数据,这一步是为了更好地捕捉脑血管图像的细节信息。利用灰度值数据对目标脑血管图像进行脑血管特征提取,包括检测血管的直径、长度、分支模式、弯曲度等特征,提取的特征用于后续的分析和研究,以帮助了解脑血管的状态和特性。
优选地,步骤S24包括以下步骤:
利用预设的灰度值阈值与灰度值数据进行比对,当灰度值数据大于灰度值阈值时,将灰度值数据对应的目标脑血管图像标记为脑血管特征图像;当灰度值数据不大于灰度值阈值时,将灰度值数据对应的目标脑血管图像剔除。
本发明利用预设的灰度值阈值与灰度值数据进行比对,可以有效地筛选出目标脑血管图像中的关键血管结构,标记为脑血管特征图像,这个过程将减少不相关信息的干扰,更专注于关注重要的血管特征。当灰度值数据不满足预设的阈值时,将相应的目标脑血管图像剔除,有助于去除无关的结构,提高了脑血管特征提取的精确性和可靠性,确保分析的准确性。
本发明实施例中,在开始处理目标脑血管图像之前,首先设定一个预设的灰度值阈值,该阈值用于将图像中的血管分割为两个类别:脑血管特征图像和不需要的图像,这个阈值可以基于先前的研究进行设定。遍历目标脑血管图像中的每个像素,并将其灰度值与预设的灰度值阈值进行比对。对于每个像素,执行以下操作:如果像素的灰度值大于预设的灰度值阈值,则将该像素标记为脑血管特征图像的一部分,表示该像素包含脑血管特征;如果像素的灰度值不大于预设的灰度值阈值,则将该像素剔除,因为它不包含脑血管特征。根据比对结果,将所有灰度值大于灰度值阈值的像素组合起来,生成脑血管特征图像,这个图像将只包含那些在灰度值上满足特定条件的脑血管特征,而其他区域将被排除。
优选地,步骤S3包括以下步骤:
步骤S31:将脑血管特征图像传输至标准头部三维模型进行脑血管映射处理,生成头部脑血管模型;
步骤S32:根据脑血管分析区域对头部脑血管模型进行模型的目标区域提取处理,生成目标脑血管模型。
本发明通过将脑血管特征图像与标准头部三维模型进行脑血管映射处理,实现了将个体用户的脑血管信息与标准头部模型的对应,进一步提高了脑血管特征数据的空间解剖定位,有助于更准确地了解脑血管的分布和结构。根据脑血管分析区域对头部脑血管模型进行模型的目标区域提取处理,使分析更加精细,关注于用户特定的脑血管区域,从而减少了不必要的信息,提高了分析的专业性和精确性。
本发明实施例中,将先前生成的脑血管特征图像传输到标准头部三维模型中,在标准头部三维模型中,将脑血管特征图像与标准头部三维模型进行脑血管映射处理,涉及将脑血管特征图像与标准头部三维模型的坐标系对齐,以便在头部三维模型上准确表示脑血管分布。接下来,根据事先确定的脑血管分析区域,对头部脑血管模型进行目标区域提取处理,将从整个头部脑血管模型中提取与脑血管分析区域相关的部分,生成目标脑血管模型,有助于聚焦在感兴趣的脑血管区域进行进一步分析。
优选地,步骤S4包括以下步骤:
步骤S41:利用超声波传感器对用户进行脑血管的血液流速数据采集,生成血液流速数据;
步骤S42:对目标脑血管模型进行脑血管弯曲节点提取,生成目标脑血管模型的脑血管弯曲节点;
步骤S43:根据血液流速数据对脑血管弯曲节点进行弯曲节点的形变量图像采集,生成脑血管弯曲节点的形变图像集;
步骤S44:利用血管形变关系算法对形变图像集进行血管形变关系计算,生成脑血管形变关系数据;
步骤S45:对血液流速数据进行实时采集处理,生成实时血液流速数据;
步骤S46:根据实时血液流速数据以及脑血管形变关系数据进行血管形变特征预测,生成脑血管形变特征数据。
本发明利用超声波传感器对用户进行脑血管的血液流速数据采集,提供了对脑血管功能的实时监测,有助于及时检测血流和动态变化。对目标脑血管模型进行脑血管弯曲节点提取,有助于了解脑血管结构的复杂性和形态特征,从而提供了更全面的血管信息。根据血液流速数据对脑血管弯曲节点进行形变量图像采集,实现了对脑血管形态变化的捕捉,有助于详细分析血管的弯曲和形态变化。利用血管形变关系算法对形变图像集进行计算,生成脑血管形变关系数据,这些数据提供了脑血管结构变化的定量描述,有助于更深入地理解脑血管的动态特征。对血液流速数据进行实时采集处理,确保能够持续监测血流情况。根据实时血液流速数据以及脑血管形变关系数据进行血管形变特征预测,生成脑血管形变特征数据,这些数据提供了脑血管结构和功能,得到用户个性化的脑血管形变与血液流速的特征关系。
作为本发明的一个实例,参考图3所示,为图1中步骤S4的详细实施步骤流程示意图,在本实例中所述步骤S4包括:
步骤S41:利用超声波传感器对用户进行脑血管的血液流速数据采集,生成血液流速数据;
本发明实施例中,使用超声波传感器对用户进行脑血管的血液流速数据采集,涉及将超声波传感器放置在用户的头部区域,以测量脑血管内的血液流速,并将这些数据记录下来,生成血液流速数据。
步骤S42:对目标脑血管模型进行脑血管弯曲节点提取,生成目标脑血管模型的脑血管弯曲节点;
本发明实施例中,对目标脑血管模型进行处理,以提取模型中的脑血管弯曲节点,这些节点通常是脑血管中的弯曲或拐角点,它们在脑血管形状分析中非常重要。
步骤S43:根据血液流速数据对脑血管弯曲节点进行弯曲节点的形变量图像采集,生成脑血管弯曲节点的形变图像集;
本发明实施例中,基于血液流速数据,对脑血管弯曲节点进行形变量图像采集,涉及在每个节点位置捕获形变量图像,以反映脑血管在不同血液流速条件下的形状变化。
步骤S44:利用血管形变关系算法对形变图像集进行血管形变关系计算,生成脑血管形变关系数据;
本发明实施例中,利用血管形变关系算法,对形变图像集进行计算,以确定脑血管在不同血液流速条件下的形状变化关系,生成脑血管形变关系数据,有助于理解血管的动态形态学特征。
步骤S45:对血液流速数据进行实时采集处理,生成实时血液流速数据;
本发明实施例中,持续采集实时血液流速数据,以捕获用户的脑血管系统的动态变化,生成实时血液流速数据,有助于实时监测。
步骤S46:根据实时血液流速数据以及脑血管形变关系数据进行血管形变特征预测,生成脑血管形变特征数据。
本发明实施例中,根据实时血液流速数据以及脑血管形变关系数据,进行脑血管形变特征的预测,这可以包括根据血液流速预测脑血管形变膨胀或缩减程度特征等,以便进一步的分析和研究。
优选地,步骤S42包括以下步骤:
对目标脑血管模型进行脑血管的弯曲角度计算处理,生成脑血管弯曲数据;
根据脑血管弯曲数据对目标脑血管模型进行脑血管弯曲节点提取,生成目标脑血管模型的脑血管弯曲节点。
本发明通过对目标脑血管模型进行脑血管的弯曲角度计算处理,量化血管的曲线程度和弯曲度,为分析脑血管结构提供了定量信息,有助于观察脑血管的复杂性和形态特征。根据脑血管的弯曲数据,对目标脑血管模型进行脑血管弯曲节点提取,这个过程有助于识别和标记脑血管中的弯曲节点,更容易理解脑血管的结构和特征。
本发明对目标脑血管模型进行脑血管的弯曲角度计算处理,将脑血管模型中的血管段分成小段,并计算每个小段的曲率或弯曲角度,以通过计算每个小段的切线方向变化来实现,例如在曲线的弯曲部分,切线方向会发生明显变化,而在直线部分,切线方向基本不变。根据脑血管的弯曲角度数据,对目标脑血管模型进行脑血管弯曲节点的提取,在脑血管模型上,识别弯曲度较大的区域,通常代表脑血管的拐弯或弯曲的位置,并将这些位置标记为脑血管的弯曲节点,这些节点的数量和位置信息将有助于进一步的分析和特征提取。
优选地,步骤S44中的血管形变关系算法如下所示:
式中,V(x,y,z)为脑血管形变关系数据,表示在三维坐标空间内的血管形变度,E为血管动态变化下的平均半径,v为血液流速数据,u为在横轴方向上的血管形变速率,x为血管横坐标,为在横轴方向上的血管形变速度对横坐标的偏导数,即表示横坐标的血管型形变速率梯度,q为在纵轴方向上的血管形变速率,y为血管纵坐标,/>为在横轴方向上的血管形变速度对纵坐标的偏导数,即表示纵坐标的血管型形变速率梯度,w为在竖轴方向上的血管形变速率,z为血管竖轴坐标,/>为在竖轴方向上的血管形变速度对竖轴坐标的偏导数,即表示竖轴坐标的血管型形变速率梯度。
本发明利用一种血管形变关系算法,该算法充分考虑了血管动态变化下的平均半径E、血液流速数据v、在横轴方向上的血管形变速率u、血管横坐标x、在横轴方向上的血管形变速度对横坐标的偏导数在纵轴方向上的血管形变速率q、血管纵坐标y、在横轴方向上的血管形变速度对纵坐标的偏导数/>在竖轴方向上的血管形变速率w、血管竖轴坐标z、在竖轴方向上的血管形变速度对竖轴坐标的偏导数/>以及函数之间的相互作用关系,以形成函数关系式:
即,该函数关系式通过计算血液流速与血管形变的关系,即脑血管形变关系数据,用于后续采集血液流速时预测血管形变变化的特征关系。血管动态变化下的平均半径用于描述血管的大小,反映了血管管壁在动态变化下的平均水平;血液流速的数据,表示血液在血管内的流速,血液流速可以对血管形变产生影响,这个参数用于考虑流速对血管形变的影响程度;血管在横轴、纵轴以及竖轴方向上的形变速率,即血管横坐标的形变速度,它描述了血管在横向上的扩张或收缩情况;横轴、纵轴以及竖轴方向上的血管形变速度对横轴、纵轴以及竖轴坐标的偏导数,即表示坐标的血管形变速率梯度,描述了血管形变速率在横轴、纵轴以及竖轴向上的变化率,从而可以得到血液流速与血管形变的特征关系。该函数关系式对血管的形变进行定量分析,而不仅仅是定性观察,对于了解血管的具体形态变化、以及其影响因素非常重要,能够针对用户进行个性化的血管形变分析。
本说明书中提供一种基于图像处理的脑血管特征提取系统,用于执行如上述所述的基于图像处理的脑血管特征提取方法,该基于图像处理的脑血管特征提取系统包括:
三维模型建模模块,利用3D光学扫描仪对用户进行头部扫描处理,生成用户头部三维图像;利用三维建模技术对用户头部三维图像进行头部三维建模处理,生成初始头部三维模型;对初始头部三维模型进行模型校正处理,生成标准头部三维模型;
脑血管特征图像采集模块,用于获取用户的脑血管分析区域;利用CT扫描仪以及脑血管分析区域对用户进行目标区域的脑血管图像采集,生成目标脑血管图像;对目标脑血管图像进行脑血管特征提取,以获得脑血管特征图像;
脑血管模型建立模块,用于将脑血管特征图像传输至标准头部三维模型进行脑血管映射处理,并根据脑血管分析区域进行模型的目标区域提取处理,生成目标脑血管模型;
脑血管形变特征预测模块,用于超声波传感器对用户进行脑血管的血液流速数据采集,生成血液流速数据;对目标脑血管模型进行脑血管弯曲节点提取,生成目标脑血管模型的脑血管弯曲节点;根据血液流速数据对脑血管弯曲节点进行弯曲节点的形变量图像采集,生成脑血管弯曲节点的形变图像集;对血液流速数据进行实时采集处理,生成实时血液流速数据;根据形变图像集以及实时血液流速数据进行血管形变特征预测,生成脑血管形变特征数据。
本申请有益效果在于,本发明利用3D光学扫描仪和三维建模技术,首先生成了用户的头部三维图像和初始头部三维模型,有助于捕捉个体的头部解剖结构,为后续的医学分析提供了关键数据,获取医疗数据库中历史患者的头部三维模型,并通过三维模型重叠和加权平均处理,生成了校正头部三维模型,考虑了多个患者的数据,从而提高了模型的准确性和代表性,对初始头部三维模型进行模型分割和校正重构处理,最终生成了标准头部三维模型,标准模型可以用作基准,以便更准确地比较和分析不同患者的头部结构。利用CT扫描仪和脑血管分析区域,采集用户的目标区域脑血管图像,有助于获取高分辨率的脑血管图像,为后续的分析提供了关键数据,通过加权平均法计算目标脑血管图像的灰度值数据,这一步骤有助于量化图像信息,提供了脑血管图像的灰度特征,为后续分析提供了基础,根据灰度值数据进行脑血管特征提取,从而生成了脑血管特征图像,这些特征图像可以用于进一步的分析和建模,有助于理解脑血管结构和病变。通过将脑血管特征图像传输至标准头部三维模型进行脑血管映射处理,生成头部脑血管模型,有助于将脑血管结构与头部解剖结构相关联,使得可以在头部三维模型中准确地表示脑血管分布,为进一步的分析提供了基础,根据脑血管分析区域对头部脑血管模型进行模型的目标区域提取处理,生成目标脑血管模型,有助于将兴趣区域内的脑血管结构从整体模型中分离出来,进一步聚焦于感兴趣的解剖区域,提高了精确性和可操作性。通过超声波传感器采集脑血管的血液流速数据,为脑血管的血流状况提供了实时的、非侵入性的监测手段,有助于了解血流速度的分布和变化,脑血管弯曲节点提取允许了对脑血管结构的局部特征进行分析,有助于检测潜在的血管异常或病变,形变图像集的生成允许了对脑血管的形状变化进行详细研究,特别是在血流动力学方面,为了更好地理解脑血管的变形和弯曲情况提供了信息,血管形变关系数据提供了对脑血管形状和血流速度之间相互关系的深入理解,这对于发现和分析异常情况非常有用,实时血液流速数据的采集使得可以连续监测脑血流情况,对于识别短期内的变化和趋势至关重要,脑血管形变特征数据的生成观察用户随血液流速变化引起的脑血管膨胀及缩减的形变情况。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于图像处理的脑血管特征提取方法,其特征在于,包括以下步骤:
步骤S1:利用3D光学扫描仪对用户进行头部扫描处理,生成用户头部三维图像;利用三维建模技术对用户头部三维图像进行头部三维建模处理,生成初始头部三维模型;对初始头部三维模型进行模型校正处理,生成标准头部三维模型;
步骤S2:获取用户的脑血管分析区域;利用CT扫描仪以及脑血管分析区域对用户进行目标区域的脑血管图像采集,生成目标脑血管图像;对目标脑血管图像进行脑血管特征提取,以获得脑血管特征图像;
步骤S3:将脑血管特征图像传输至标准头部三维模型进行脑血管映射处理,并根据脑血管分析区域进行模型的目标区域提取处理,生成目标脑血管模型;
步骤S4:利用超声波传感器对用户进行脑血管的血液流速数据采集,生成血液流速数据;对目标脑血管模型进行脑血管弯曲节点提取,生成目标脑血管模型的脑血管弯曲节点;根据血液流速数据对脑血管弯曲节点进行弯曲节点的形变量图像采集,生成脑血管弯曲节点的形变图像集;对血液流速数据进行实时采集处理,生成实时血液流速数据;根据形变图像集以及实时血液流速数据进行血管形变特征预测,生成脑血管形变特征数据。
2.根据权利要求1所述的基于图像处理的脑血管特征提取方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用3D光学扫描仪对用户进行头部扫描处理,生成用户头部三维图像;
步骤S12:利用三维建模技术对用户头部三维图像进行头部三维建模处理,生成初始头部三维模型;
步骤S13:获取医疗数据库中的历史患者的头部三维模型;
步骤S14:根据历史患者的头部三维模型进行三维模型重叠处理,并对每个头部三维模型进行差异部分的加权平均处理,以生成校正头部三维模型;
步骤S15:将初始头部三维模型进行模型分割处理,生成分割头部三维模型;
步骤S16:根据校正头部三维模型对分割头部三维模型进行模型校正重构处理;生成标准头部三维模型。
3.根据权利要求2所述的基于图像处理的脑血管特征提取方法,其特征在于,步骤S16包括以下步骤:
将分割头部三维模型传输至校正头部三维模型进行模型比对处理,当分割头部三维模型与校正头部三维模型之间的差异大于预设的三维模型误差阈值时,根据校正头部三维模型对分割头部三维模型进行模型校正处理,生成分割头部修复模型;当分割头部三维模型与校正头部三维模型之间的差异不大于预设的三维模型误差阈值时,将分割头部三维模型标记为分割头部常规模型;
根据分割头部修复模型以及分割头部常规模型进行头部模型重构,生成标准头部三维模型。
4.根据权利要求1所述的基于图像处理的脑血管特征提取方法,其特征在于,步骤S2包括以下步骤:
步骤S21:获取用户的脑血管分析区域;
步骤S22:利用CT扫描仪以及脑血管分析区域对用户进行目标区域的脑血管图像采集,生成目标脑血管图像;
步骤S23:利用加权平均法对目标脑血管图像进行图像的灰度值计算,生成目标脑血管图像的灰度值数据;
步骤S24:根据灰度值数据对目标脑血管图像进行脑血管特征提取,以获得脑血管特征图像。
5.根据权利要求4所述的基于图像处理的脑血管特征提取方法,其特征在于,步骤S24包括以下步骤:
利用预设的灰度值阈值与灰度值数据进行比对,当灰度值数据大于灰度值阈值时,将灰度值数据对应的目标脑血管图像标记为脑血管特征图像;当灰度值数据不大于灰度值阈值时,将灰度值数据对应的目标脑血管图像剔除。
6.根据权利要求1所述的基于图像处理的脑血管特征提取方法,其特征在于,步骤S3包括以下步骤:
步骤S31:将脑血管特征图像传输至标准头部三维模型进行脑血管映射处理,生成头部脑血管模型;
步骤S32:根据脑血管分析区域对头部脑血管模型进行模型的目标区域提取处理,生成目标脑血管模型。
7.根据权利要求1所述的基于图像处理的脑血管特征提取方法,其特征在于,步骤S4包括以下步骤:
步骤S41:利用超声波传感器对用户进行脑血管的血液流速数据采集,生成血液流速数据;
步骤S42:对目标脑血管模型进行脑血管弯曲节点提取,生成目标脑血管模型的脑血管弯曲节点;
步骤S43:根据血液流速数据对脑血管弯曲节点进行弯曲节点的形变量图像采集,生成脑血管弯曲节点的形变图像集;
步骤S44:利用血管形变关系算法对形变图像集进行血管形变关系计算,生成脑血管形变关系数据;
步骤S45:对血液流速数据进行实时采集处理,生成实时血液流速数据;
步骤S46:根据实时血液流速数据以及脑血管形变关系数据进行血管形变特征预测,生成脑血管形变特征数据。
8.根据权利要求7所述的基于图像处理的脑血管特征提取方法,其特征在于,步骤S42包括以下步骤:
对目标脑血管模型进行脑血管的弯曲角度计算处理,生成脑血管弯曲数据;
根据脑血管弯曲数据对目标脑血管模型进行脑血管弯曲节点提取,生成目标脑血管模型的脑血管弯曲节点。
9.根据权利要求7所述的基于图像处理的脑血管特征提取方法,其特征在于,步骤S44中的血管形变关系算法如下所示:
式中,V(x,y,z)为脑血管形变关系数据,表示在三维坐标空间内的血管形变度,E为血管动态变化下的平均半径,v为血液流速数据,u为在横轴方向上的血管形变速率,x为血管横坐标,为在横轴方向上的血管形变速度对横坐标的偏导数,即表示横坐标的血管型形变速率梯度,q为在纵轴方向上的血管形变速率,y为血管纵坐标,/>为在横轴方向上的血管形变速度对纵坐标的偏导数,即表示纵坐标的血管型形变速率梯度,w为在竖轴方向上的血管形变速率,z为血管竖轴坐标,/>为在竖轴方向上的血管形变速度对竖轴坐标的偏导数,即表示竖轴坐标的血管型形变速率梯度。
10.一种基于图像处理的脑血管特征提取系统,其特征在于,用于执行如权利要求1所述的基于图像处理的脑血管特征提取方法,该基于图像处理的脑血管特征提取系统包括:
三维模型建模模块,利用3D光学扫描仪对用户进行头部扫描处理,生成用户头部三维图像;利用三维建模技术对用户头部三维图像进行头部三维建模处理,生成初始头部三维模型;对初始头部三维模型进行模型校正处理,生成标准头部三维模型;
脑血管特征图像采集模块,用于获取用户的脑血管分析区域;利用CT扫描仪以及脑血管分析区域对用户进行目标区域的脑血管图像采集,生成目标脑血管图像;对目标脑血管图像进行脑血管特征提取,以获得脑血管特征图像;
脑血管模型建立模块,用于将脑血管特征图像传输至标准头部三维模型进行脑血管映射处理,并根据脑血管分析区域进行模型的目标区域提取处理,生成目标脑血管模型;
脑血管形变特征预测模块,用于超声波传感器对用户进行脑血管的血液流速数据采集,生成血液流速数据;对目标脑血管模型进行脑血管弯曲节点提取,生成目标脑血管模型的脑血管弯曲节点;根据血液流速数据对脑血管弯曲节点进行弯曲节点的形变量图像采集,生成脑血管弯曲节点的形变图像集;对血液流速数据进行实时采集处理,生成实时血液流速数据;
根据形变图像集以及实时血液流速数据进行血管形变特征预测,生成脑血管形变特征数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311506784.0A CN117496173B (zh) | 2023-11-13 | 2023-11-13 | 图像处理的脑血管特征提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311506784.0A CN117496173B (zh) | 2023-11-13 | 2023-11-13 | 图像处理的脑血管特征提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117496173A true CN117496173A (zh) | 2024-02-02 |
CN117496173B CN117496173B (zh) | 2024-04-12 |
Family
ID=89676065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311506784.0A Active CN117496173B (zh) | 2023-11-13 | 2023-11-13 | 图像处理的脑血管特征提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117496173B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201389015Y (zh) * | 2009-04-10 | 2010-01-27 | 山东大学 | 基于光纤光栅传感的心血管波动图像监测与健康诊断装置 |
US20120203530A1 (en) * | 2011-02-07 | 2012-08-09 | Siemens Corporation | Method and System for Patient-Specific Computational Modeling and Simulation for Coupled Hemodynamic Analysis of Cerebral Vessels |
WO2016001548A1 (fr) * | 2014-07-02 | 2016-01-07 | Centre National De La Recherche Scientifique - Cnrs - | Procédé et dispositif d'imagerie fonctionnelle du cerveau |
CN106327487A (zh) * | 2016-08-18 | 2017-01-11 | 苏州润心医疗科技有限公司 | 基于x射线冠脉造影图像的冠状动脉血流储备分数计算方法 |
CN107491636A (zh) * | 2017-07-26 | 2017-12-19 | 武汉大学 | 一种基于计算流体力学的脑血管储备力仿真系统和方法 |
CN110575252A (zh) * | 2018-06-07 | 2019-12-17 | 张�浩 | 基于计算流体力学的脑血管疾病风险预警方法及系统 |
CN114387425A (zh) * | 2022-01-11 | 2022-04-22 | 深圳市德力凯医疗设备股份有限公司 | 颅内三维脑血流扫描、扫描路径规划方法及系统 |
CN114782358A (zh) * | 2022-04-18 | 2022-07-22 | 上海博动医疗科技股份有限公司 | 一种血管形变自动计算的方法、装置及存储介质 |
CN115761251A (zh) * | 2022-11-07 | 2023-03-07 | 上海市闵行区中心医院 | 脑梗塞核心区变化的血管形态学指标的提取与筛选方法 |
CN116071250A (zh) * | 2022-11-22 | 2023-05-05 | 首都医科大学附属北京天坛医院 | 一种脑动脉狭窄闭塞的asl图像处理系统、设备及终端 |
-
2023
- 2023-11-13 CN CN202311506784.0A patent/CN117496173B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201389015Y (zh) * | 2009-04-10 | 2010-01-27 | 山东大学 | 基于光纤光栅传感的心血管波动图像监测与健康诊断装置 |
US20120203530A1 (en) * | 2011-02-07 | 2012-08-09 | Siemens Corporation | Method and System for Patient-Specific Computational Modeling and Simulation for Coupled Hemodynamic Analysis of Cerebral Vessels |
WO2016001548A1 (fr) * | 2014-07-02 | 2016-01-07 | Centre National De La Recherche Scientifique - Cnrs - | Procédé et dispositif d'imagerie fonctionnelle du cerveau |
CN106327487A (zh) * | 2016-08-18 | 2017-01-11 | 苏州润心医疗科技有限公司 | 基于x射线冠脉造影图像的冠状动脉血流储备分数计算方法 |
CN107491636A (zh) * | 2017-07-26 | 2017-12-19 | 武汉大学 | 一种基于计算流体力学的脑血管储备力仿真系统和方法 |
CN110575252A (zh) * | 2018-06-07 | 2019-12-17 | 张�浩 | 基于计算流体力学的脑血管疾病风险预警方法及系统 |
CN114387425A (zh) * | 2022-01-11 | 2022-04-22 | 深圳市德力凯医疗设备股份有限公司 | 颅内三维脑血流扫描、扫描路径规划方法及系统 |
CN114782358A (zh) * | 2022-04-18 | 2022-07-22 | 上海博动医疗科技股份有限公司 | 一种血管形变自动计算的方法、装置及存储介质 |
CN115761251A (zh) * | 2022-11-07 | 2023-03-07 | 上海市闵行区中心医院 | 脑梗塞核心区变化的血管形态学指标的提取与筛选方法 |
CN116071250A (zh) * | 2022-11-22 | 2023-05-05 | 首都医科大学附属北京天坛医院 | 一种脑动脉狭窄闭塞的asl图像处理系统、设备及终端 |
Non-Patent Citations (3)
Title |
---|
ZIQI XU ETAL: ""Different risk factors in identical features of intracranial atherosclerosis plaques in the posterior and anterior circulation in high-resolution MRI"", 《ADVANCES IN NEUROIMAGING》, 15 January 2020 (2020-01-15), pages 1 - 8 * |
刘洁 等: ""颅骨组织工程血管支架的参数化设计"", 《机械工程学报》, 31 January 2018 (2018-01-31), pages 178 - 187 * |
郝嘉雪: ""颅内血管磁共振图像流空伪影消除与三维重建"", 《CNKI硕士学位论文》, 15 May 2021 (2021-05-15), pages 1 - 84 * |
Also Published As
Publication number | Publication date |
---|---|
CN117496173B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110786887B (zh) | 乳腺超声筛查方法、装置及系统 | |
CN110675398B (zh) | 乳腺超声筛查方法、装置及计算机设备 | |
US7822246B2 (en) | Method, a system and a computer program for integration of medical diagnostic information and a geometric model of a movable body | |
EP1653410B1 (en) | Ultrasonic tissue characterization apparatus and method | |
Shin et al. | Automating carotid intima-media thickness video interpretation with convolutional neural networks | |
EP1677681B1 (en) | Ultrasonic blood vessel measurement apparatus and method | |
KR101121396B1 (ko) | 2차원 초음파 영상에 대응하는 2차원 ct 영상을 제공하는 시스템 및 방법 | |
KR102001219B1 (ko) | 의료 영상들의 정합 방법 및 장치 | |
JP2008505712A (ja) | マルチモダリティマンモグラフィ用診断システム | |
US20080095417A1 (en) | Method for registering images of a sequence of images, particularly ultrasound diagnostic images | |
US20030160786A1 (en) | Automatic determination of borders of body structures | |
US20030038802A1 (en) | Automatic delineation of heart borders and surfaces from images | |
JP2014161734A (ja) | 医療画像を整合する方法及びその装置 | |
CN106470595A (zh) | 利用口内3d扫描图检测牙齿磨损 | |
KR20140049137A (ko) | 의료영상 분석장치 및 방법 | |
CN110047086B (zh) | 颈动脉内膜厚度自动测量方法及系统 | |
CN116580068B (zh) | 一种基于点云配准的多模态医学配准方法 | |
CN110782489A (zh) | 影像数据的匹配方法、装置、设备及计算机可读存储介质 | |
Batouche et al. | A computer vision system for diagnosing scoliosis using moiré images | |
CN117496173B (zh) | 图像处理的脑血管特征提取方法及系统 | |
CN116580819A (zh) | 用于自动化地确定图像序列中的检查结果的方法和系统 | |
JP2007521862A (ja) | 心臓機能の確率的解析 | |
JP2019118694A (ja) | 医用画像生成装置 | |
CN114266848A (zh) | 医学图像三维重建方法和装置 | |
CN112085711B (zh) | 采用卷积神经网络与卡尔曼滤波相结合自动追踪肌肉羽状角的方法 |
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 |