WO2022120743A1 - 一种脑血管壁轮廓标注的几何解析方法 - Google Patents

一种脑血管壁轮廓标注的几何解析方法 Download PDF

Info

Publication number
WO2022120743A1
WO2022120743A1 PCT/CN2020/135359 CN2020135359W WO2022120743A1 WO 2022120743 A1 WO2022120743 A1 WO 2022120743A1 CN 2020135359 W CN2020135359 W CN 2020135359W WO 2022120743 A1 WO2022120743 A1 WO 2022120743A1
Authority
WO
WIPO (PCT)
Prior art keywords
vessel wall
contour
blood vessel
mask
ellipse
Prior art date
Application number
PCT/CN2020/135359
Other languages
English (en)
French (fr)
Inventor
郑海荣
刘新
张娜
申帅
梁栋
胡战利
李烨
贾森
Original Assignee
深圳先进技术研究院
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 深圳先进技术研究院 filed Critical 深圳先进技术研究院
Priority to PCT/CN2020/135359 priority Critical patent/WO2022120743A1/zh
Publication of WO2022120743A1 publication Critical patent/WO2022120743A1/zh

Links

Images

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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume

Definitions

  • the invention belongs to the technical field of image segmentation, and in particular relates to a geometric analysis method for cerebral blood vessel wall contour labeling.
  • the blood vessel labeling file usually builds a layer of mask on the basis of the image file, and labels each pixel its category, so the storage space occupied by the blood vessel labeling file is equal to the size of the image file.
  • lossless formats such as Dicom and Mhd that are common in medical imaging.
  • the space complexity of this scheme is O(N 2 ), that is, it needs to save the same w ⁇ h pixels as the image file, where w and h are the width and height of the image file, respectively.
  • the prior art focuses on saving the pixels of the segmented image, and there is a large amount of information redundancy for the labeled data of a single blood vessel wall, which is not conducive to data preservation and further processing.
  • the present invention proposes a geometric analysis method for cerebral blood vessel wall contour labeling. Problems that are not conducive to the preservation and further processing of data.
  • a geometric analysis method for cerebral blood vessel wall contour labeling characterized in that it comprises the following steps:
  • Step 1 Obtain discrete points on the contour of the vessel wall
  • Step 2 Fitting the parameters of the discrete point contour
  • Step 3 Save the parameters of each vessel wall contour.
  • step 3 is as follows:
  • step 2 The results obtained in step 2 are respectively stored in each vessel wall image as five geometric parameters of the ellipse: x 0 , y 0 , a, b, ⁇ .
  • the present invention overcomes the long-standing technical prejudice in the field, that is, the prejudice that saving the blood vessel annotation file needs to save the same w ⁇ h pixels as the image file (where w and h are the width and height of the image file respectively), using A method of reverse thinking that is not easy for those skilled in the art to think of, that is: a result-oriented thinking method: first find the contour line of the blood vessel wall, and then find the 5 whose error is close to 0 from the contour line of the blood vessel wall. There are only 5 ellipse geometric parameters, and only 5 ellipse geometric parameters are saved as the blood vessel wall annotation file, thereby avoiding a large amount of redundant information data. Compared with the pixel preservation method of the prior art, the space occupied by the geometric parameters of the present invention is only the prior art. tens of thousands of.
  • the present invention combines several techniques of coordinate translation method, pixel value subtraction method, ellipse parameter analysis method, ellipse parameter partial derivative method, and equation solving method.
  • the storage space of the annotation file is a new technical problem of tens of thousands of the original, and has achieved new technical effects, with outstanding substantive characteristics and significant progress.
  • Fig. 1 is the flow chart of the geometric analysis method of cerebral blood vessel wall contour labeling of the present invention
  • FIG. 2 is a schematic diagram of an image of a blood vessel wall marked by the present invention
  • FIG. 3 is a schematic diagram of representing an ellipse with geometric parameters in the present invention.
  • the function F has only one extreme point for each parameter, which refers to the extreme point on the projection curve in different dimensions of the 5-dimensional hyperplane space.
  • the 5-dimensional hyperplane space is composed of five mutually perpendicular coordinate axes.
  • the method is to change one of the unknowns, and the other 4 Do not change, so you can find the dimensional error of the 5-dimensional space that changes, but this error is by no means a specific number, but a curve projected by the 5-dimensional hyperplane space on a certain dimension, the same method
  • the curves of different dimension projections on other 5-dimensional hyperplanes can be found. If we want to get the extreme point of the curve, we only need to use A, B, C, D, and E to calculate the partial derivative of F respectively, and the point where the partial derivative is 0 is the extreme point we are looking for.
  • x i , y i in the formula on the right side of the equal sign are the coordinates x i , y i values of the discrete points of the contour of the blood vessel wall, and these coordinate values have been obtained in step 1 of claim 1;
  • the parameters A, B, C, D, E can be obtained from the solution.
  • the present invention designs a geometric analysis method for cerebral blood vessel wall contour labeling.
  • a geometric analysis method for cerebral blood vessel wall contour labeling characterized in that it comprises the following steps:
  • Step 1 Obtain discrete points on the contour of the vessel wall
  • Step 2 Fitting the parameters of the discrete point contour
  • Step 3 Save the parameters of each vessel wall contour
  • step 2 The results obtained in step 2 are respectively stored in each vessel wall image as five geometric parameters of the ellipse: x 0 , y 0 , a, b, ⁇ .

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种脑血管壁轮廓标注的几何解析方法，属于图像分割技术领域，包括以下步骤：步骤一、获得血管壁轮廓上的离散点；步骤二、拟合离散点轮廓的参数；步骤三、保存每个血管壁轮廓的参数。该方法先找出血管壁轮廓线，再从血管壁轮廓线上找出误差趋近于0的5个椭圆几何参数，仅仅保存5个椭圆几何参数作为血管壁标注文件，避免了大量信息冗余数据，和现有技术的像素保存法相比，该方法几何参数占用空间仅仅是现有技术的几万分之一。该方法将坐标平移法、像素值相减法、椭圆参数解析法、椭圆参数求偏导法、求解方程组法几项技术进行组合，组合以后各部分相互支持、相互依赖，解决了压缩血管标注文件存储空间为原来的几万分之一的技术问题。

Description

一种脑血管壁轮廓标注的几何解析方法 技术领域
本发明属于图像分割技术领域，尤其涉及一种脑血管壁轮廓标注的几何解析方法。
背景技术
传统技术专注于保存分割图像的像素。血管标注文件通常是在影像文件的基础上建立一层蒙版，为每一个像素标注其所属类别，因此血管标注文件占用的存储空间与影像文件大小相当。如在医学影像中常见的Dicom、Mhd等无损格式。这种方案的空间复杂度为O(N 2)，即需要保存与影像文件相同的w×h个像素点，其中w、h分别为影像文件的宽和高。
还有一些较为高效的编码格式如，RLE编码方案：由于传统方案中保存了大量相同且连续的像素信息。因此相对与传统方式的每一行像素，只记录不同像素值的起始和终止位置即可描绘其轮廓。这种方案的空间复杂度为O(N)，即需要保存h×n个起止信息。其中常数n为一行影像数据内像素值变化的次数，在单血管壁的标注文件中n的取值在0～4之间。
现有技术专注于保存分割图像的像素，对于单血管壁的标注数据有大量的信息冗余，不利于数据的保存和进一步处理。
发明内容
本发明针对现有技术的不足，提出一种脑血管壁轮廓标注的几何解析方法，目的在于解决现有技术专注于保存分割图像的像素，对于单血管壁的标注数据有大量的信息冗余，不利于数据的保存和进一步处理的问题。
本发明为解决其技术问题采用以下技术方案：
一种脑血管壁轮廓标注的几何解析方法，其特征在于：包括以下步骤：
步骤一、获得血管壁轮廓上的离散点；
步骤二、拟合离散点轮廓的参数；
步骤三、保存每个血管壁轮廓的参数。
而且，所述步骤一具体过程如下：
⑴得到一张已经完成血管壁标注的、带有M*N像素坐标的、以及带有像素值的图像Mask；该像素值分别用0和1代表血管壁和非血管壁的像素值；
⑵获得血管壁轮廓上的离散点，所述血管壁轮廓上的离散点即为：血管壁外径边界和内径边界上的点；
具体方法为：
i、将带有M*M像素坐标和像素值的图像Mask分别向右、向下平移1个像素，得到Mask_Tx和Mask_Ty；
ii、将平移前后同一个坐标点的像素值做一个减法并取得绝对值：向右平移再做减法的绝对值Mask_Bx、向下平移再做减法的绝对值Mask_By；
iii、如果Mask_Bx或者Mask_By值为0则非血管壁轮廓上的离散点，如果值为1则为血管壁轮廓上的离散点；
而且，所述步骤二具体过程如下：
⑴设平面任一位置椭圆方程为：x2+Ay2+Bxy+Cx+Dy+E＝0；
⑵设P_i(x_i,y_i)(i＝1,2,…,N)为椭圆轮廓上的N(N≥5)个测量点，依据最小二乘原理，所拟合的目标函数为：
Figure PCTCN2020135359-appb-000001
⑶欲使F为最小，需使：
Figure PCTCN2020135359-appb-000002
⑷由此可以得方程：
Figure PCTCN2020135359-appb-000003
⑸解方程可以得到A，B，C，D，E的值；
⑹根据椭圆的几何知识，可以计算出椭圆的五个参数：位置参数(θ，X0，Y0)、形状参数(a，b)；
Figure PCTCN2020135359-appb-000004
而且，所述步骤三具体过程如下：
将每个血管壁图像分别用步骤二求得的结果保存为椭圆的五个几何参数：x 0、y 0、a、b、θ。
本发明的优点效果
1、本发明克服了本领域长期以来的技术偏见，即保存血管标注文件需要保存与影像文件相同的w×h个像素点的偏见(其中w、h分别为影像文件的宽和高)，采用了一种本领域技术人员不容易想到的逆向思维的方法，即：以结果为导向的思维方法：先找出血管壁轮廓线，再从血管壁轮廓线上找出误差趋近于0的5个椭圆几何参数，仅仅保存5个椭圆几何参数作为血管壁标注文件，从而就避免了大量信息冗余数据，和现有技术的像素保存法相比，本发明的几何参数占用空间仅仅是现有技术的几万分之一。
2、本发明将坐标平移法、像素值相减法、椭圆参数解析法、椭圆参数求偏导法、求解方程组法几项技术进行组合，组合以后各部分相互支持、相互依赖，解决了压缩血管标注文件存储空间为原来的几万分之一的新的技术问题，且达到了新的技术效果，具有突出的实质性特点和显著进步。
附图说明
图1为本发明脑血管壁轮廓标注的几何解析方法流程图；
图2为本发明完成标注的血管壁图像示意图；
图3为本发明用几何参数表示椭圆的示意图。
具体实施方式
下面结合附图对本发明进一步描述：
本发明设计原理
一、本发明设计思路
1、本发明用血管壁轮廓线上5个误差趋近于0的椭圆几何参数值代替现有技术保存血管标注文件需要保存与影像文件相同的w×h个像素点的方法，其中w、h分别为影像文件的宽和高的方法。假设一个256*256像素的血管壁标注文件，则需要保存与影像文件相同的256×256＝65536个像素点，而本发明每个血管壁标注文件只需要保存5个椭圆几何参数值。
2、用解析法求得椭圆的5个几何参数。要获得椭圆的5个几何参数，必须采用解析法求得，而不能采用直接测量椭圆轮廓上的两个最长点并作为长轴、或直接测量椭圆轮廓上与两个最长点相邻的两个最长点作为短轴、再将长轴、短轴的交叉点作为中心点坐标x i、y i的方法，原因是椭圆轮廓中的离散点两个最长点或两个最短点有可能不是椭圆边界线上的点，而是奇异点；
3、获得血管壁轮廓上的离散点：采用像素向右平移和向下平移、再将平移前后同一个坐标点上的像素值做减法、再将相减后的值取绝对值的方法，如果绝对值为0，说明平移前后像素值相同，或者均为0、或者均为1，如果绝对值为1，说明平移前后的同一个坐标点上的像素值不同，此为血管壁轮廓上的离散点。假设一个256*256像素上血管壁轮廓上的离散点有100个。
4、将100个血管壁轮廓上的离散点抽取至少5个点的x i、y i坐标值代入椭圆的解析方程。由于离散点和连续点不同，用离散点代入解析方程所得出的参数值A、B、C、D、E会有误差，所以，用函数F(A、B、C、D、E)求出误差值。
5、从函数F(A、B、C、D、E)等号右边的公式
Figure PCTCN2020135359-appb-000005
可以看出，将x i、y i代入公式后求出的误差是由五个参数的平方和组成的，近 似U形的平方和曲线，由于平方和的性质，函数F对于每一个参数都只有一个极值点，且该极值点为为最小值点。要求出五个极值点的数值，只需用A、B、C、D、E分别对F求偏导，偏导为0的点即为我们要找的极值点。
所述函数F对于每一个参数都只有一个极值点，是指5维超平面空间不同维度上的投影曲线上的极值点，所述5维超平面空间就是由5个相互垂直的坐标轴组成的，当带入已知数xi、yi后，若要求得平方和公式中A、B、C、D、E任何一个未知数的误差，采取的办法是，让其中一个未知数变化，另外4个不做变化，这样就可以求出5维空间发生变化的那个维度误差的情况，但是这个误差绝不是一个具体数，而是5维超平面空间在某个维度上投影的一条曲线，同样的方法可以求出其他5维超平面上不同维度投影的曲线。若要求得曲线的极值点，只需用A、B、C、D、E分别对F求偏导，偏导为0的点即为我们要找的极值点。
二、基于最小二乘法的椭圆拟合推导
Figure PCTCN2020135359-appb-000006
公式中i>＝5,d离散点越多差值越准确，但至少需要5个离散点；
第一、等号右边公式中的x i、y i为血管壁轮廓的离散点的坐标x i、y i值，这些坐标值在权利要求1步骤一中已经获得；
第二、将已知的椭圆轮廓离散点的坐标值带入等号右边的椭圆的解析公式，为了求解，可以得到5组含有A,B,C,D,E未知数的方程，然后求出解。但此时方程的求解是有误差的，之所以有误差时因为等号右边公式中带入的x i、y i是离散点坐标而不是连续点坐标，离散点的椭圆形状和连续点的椭圆形状相比总会有误差。
第三、函数F(A,B,C,D,E)的作用就是反应所求参数的误差，但是对于每个参数的误差不是一个点而是一条误差曲线。如果N＝5，则等号右边在求导以前得到的曲线将是5条平方和曲线，近似于5条U形曲线。
第四、分别求出使得每个未知数的误差曲线最小的点，也就是Y轴上的最低点。采用求偏导的方式分别得到5个最低点；
第五、求偏导方法：分别令5个未知数A、B、C、D、E其中一个未知数的偏导为0，另外4个不为0，以对A的偏导为例，获取一组方程：
Figure PCTCN2020135359-appb-000007
第六、根据求偏导方法得到以下步骤：
Figure PCTCN2020135359-appb-000008
Figure PCTCN2020135359-appb-000009
Figure PCTCN2020135359-appb-000010
Figure PCTCN2020135359-appb-000011
Figure PCTCN2020135359-appb-000012
第六、同理，由其它偏导列出剩余方程
Figure PCTCN2020135359-appb-000013
Figure PCTCN2020135359-appb-000014
第七、可表示为矩阵形式便于计算
Figure PCTCN2020135359-appb-000015
第八、解之可得参数A、B、C、D、E。
基于以上原理，本发明设计了一种脑血管壁轮廓标注的几何解析方法。
一种脑血管壁轮廓标注的几何解析方法，其特征在于：包括以下步骤：
步骤一、获得血管壁轮廓上的离散点；
具体过程如下：
⑴得到一张已经完成血管壁标注的、带有M*N像素坐标的、以及带有像素值的图像Mask；该像素值分别用0和1代表血管壁和非血管壁的像素值；
⑵获得血管壁轮廓上的离散点，所述血管壁轮廓上的离散点即为：血管壁外径边界和内径边界上的点；
具体方法为：
i、将带有M*N像素坐标和像素值的图像Mask分别向右、向下平移1个像素，得到Mask_Tx和Mask_Ty；
ii、将相邻像素值做一个减法：将向右平移后相邻像素再做减法的绝对值Mask_Bx、以及向下平移后相邻像素再做减法的绝对值Mask_By；
iii、如果Mask_Bx或者Mask_By值为0则非血管壁轮廓上的离散点，如果值为1则为血管壁轮廓上的离散点；
步骤二、拟合离散点轮廓的参数；
具体过程如下：
⑴设平面任一位置椭圆方程为：x2+Ay2+Bxy+Cx+Dy+E＝0；
⑵设P_i(x_i,y_i)(i＝1,2,…,N)为椭圆轮廓上的N(N≥5)个测量点，依据最小二乘原理，所拟合的目标函数为：
Figure PCTCN2020135359-appb-000016
⑶欲使F为最小，需使：
Figure PCTCN2020135359-appb-000017
⑷由此可以得方程：
Figure PCTCN2020135359-appb-000018
⑸解方程可以得到A，B，C，D，E的值；
⑹根据椭圆的几何知识，可以计算出椭圆的五个参数：位置参数(θ，X0，Y0)、形状参数(a，b)；
Figure PCTCN2020135359-appb-000019
步骤三、保存每个血管壁轮廓的参数；
具体过程如下：
将每个血管壁图像分别用步骤二求得的结果保存为椭圆的五个几何参数：x 0、y 0、a、b、θ。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

  1. 一种脑血管壁轮廓标注的几何解析方法，其特征在于：包括以下步骤：
    步骤一、获得血管壁轮廓上的离散点；
    步骤二、拟合离散点轮廓的参数；
    步骤三、保存每个血管壁轮廓的参数。
  2. 根据权利要求1所述一种脑血管壁轮廓标注的几何解析方法，其特征在于：所述步骤一具体过程如下：
    ⑴得到一张已经完成血管壁标注的、带有M*N像素坐标的、以及带有像素值的图像Mask；该像素值分别用0和1代表血管壁和非血管壁的像素值；
    ⑵获得血管壁轮廓上的离散点，所述血管壁轮廓上的离散点即为：血管壁外径边界和内径边界上的点；
    具体方法为：
    i、将带有M*M像素坐标和像素值的图像Mask分别向右、向下平移1个像素，得到Mask_Tx和Mask_Ty；
    ii、将平移前后同一个坐标点的像素值做一个减法并取得绝对值：向右平移再做减法的绝对值Mask_Bx、向下平移再做减法的绝对值Mask_By；
    iii、如果Mask_Bx或者Mask_By值为0则非血管壁轮廓上的离散点，如果值为1则为血管壁轮廓上的离散点。
  3. 根据权利要求1所述一种脑血管壁轮廓标注的几何解析方法，其特征在于：所述步骤二具体过程如下：
    ⑴设平面任一位置椭圆方程为：x2+Ay2+Bxy+Cx+Dy+E＝0；
    ⑵设P_i(x_i,y_i)(i＝1,2,…,N)为椭圆轮廓上的N(N≥5)个测量点，依据最小二乘原理，所拟合的目标函数为：
    Figure PCTCN2020135359-appb-100001
    ⑶欲使F为最小，需使：
    Figure PCTCN2020135359-appb-100002
    ⑷由此可以得方程：
    Figure PCTCN2020135359-appb-100003
    ⑸解方程可以得到A，B，C，D，E的值；
    ⑹根据椭圆的几何知识，可以计算出椭圆的五个参数：位置参数(θ，X0，Y0)、形状参数(a，b)；
    Figure PCTCN2020135359-appb-100004
  4. 根据权利要求1所述一种脑血管壁轮廓标注的几何解析方法，其特征在于：所述步骤三具体过程如下：
    将每个血管壁图像分别用步骤二求得的结果保存为椭圆的五个几何参数：x 0、y 0、a、b、θ。
PCT/CN2020/135359 2020-12-10 2020-12-10 一种脑血管壁轮廓标注的几何解析方法 WO2022120743A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/135359 WO2022120743A1 (zh) 2020-12-10 2020-12-10 一种脑血管壁轮廓标注的几何解析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/135359 WO2022120743A1 (zh) 2020-12-10 2020-12-10 一种脑血管壁轮廓标注的几何解析方法

Publications (1)

Publication Number Publication Date
WO2022120743A1 true WO2022120743A1 (zh) 2022-06-16

Family

ID=81972958

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/135359 WO2022120743A1 (zh) 2020-12-10 2020-12-10 一种脑血管壁轮廓标注的几何解析方法

Country Status (1)

Country Link
WO (1) WO2022120743A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080137926A1 (en) * 2006-11-21 2008-06-12 General Electric Company Method and system for adjusting 3D CT vessel segmentation
CN105266848A (zh) * 2015-10-16 2016-01-27 深圳市恩普电子技术有限公司 一种超声频谱多普勒自动优化的方法
US20180125450A1 (en) * 2015-04-24 2018-05-10 U.S. Government, As Represented By The Secretary Of The Army Vascular Targeting System
CN110136157A (zh) * 2019-04-09 2019-08-16 华中科技大学 一种基于深度学习的三维颈动脉超声图像血管壁分割方法
CN110310323A (zh) * 2018-03-20 2019-10-08 天津工业大学 基于Hessian矩阵和二维高斯拟合的视网膜血管管径测量方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080137926A1 (en) * 2006-11-21 2008-06-12 General Electric Company Method and system for adjusting 3D CT vessel segmentation
US20180125450A1 (en) * 2015-04-24 2018-05-10 U.S. Government, As Represented By The Secretary Of The Army Vascular Targeting System
CN105266848A (zh) * 2015-10-16 2016-01-27 深圳市恩普电子技术有限公司 一种超声频谱多普勒自动优化的方法
CN110310323A (zh) * 2018-03-20 2019-10-08 天津工业大学 基于Hessian矩阵和二维高斯拟合的视网膜血管管径测量方法
CN110136157A (zh) * 2019-04-09 2019-08-16 华中科技大学 一种基于深度学习的三维颈动脉超声图像血管壁分割方法

Similar Documents

Publication Publication Date Title
Wei et al. A fully automatic method for lung parenchyma segmentation and repairing
CN103679702A (zh) 一种基于图像边缘矢量的匹配方法
CN111260700B (zh) 一种多参数磁共振图像全自动配准与分割方法
WO2010050996A1 (en) Combining feature boundaries
CN111242996B (zh) 一种基于Apriltag标签与因子图的SLAM方法
WO2022120743A1 (zh) 一种脑血管壁轮廓标注的几何解析方法
Sun et al. 3d segmentation of pulmonary nodules based on multi-view and semi-supervised
CN115661509A (zh) 基于三维点云icp配准算法的手术器械识别分类方法
CN105232161A (zh) 一种手术机器人标志点识别定位方法
CN115908800A (zh) 医学图像分割方法
CN114494215A (zh) 基于Transformer的甲状腺结节检测方法
CN116452499A (zh) 一种基于Unet网络的腰椎失稳与滑脱诊断系统
Li et al. Few‐shot learning with deformable convolution for multiscale lesion detection in mammography
CN115035089A (zh) 适用于二维脑图像数据的脑解剖结构定位方法
CN104732230A (zh) 一种基于细胞核统计信息的病理图像局部特征提取方法
CN110458951A (zh) 一种电网杆塔的建模数据获取方法及相关装置
CN113989269B (zh) 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法
Wen Medical image registration based-on points, contour and curves
CN113112471B (zh) 基于ri-hog特征及快速金字塔的目标检测方法
CN111784634B (zh) 一种基于Harris-CPDA的角点检测方法
CN112561991B (zh) 基于surf特征提取和颜色分割的液位计图像识别方法
Cao et al. Putting images on a manifold for atlas-based image segmentation
CN112200785A (zh) 基于随机散点关系拓扑匹配函数的改进数字图像相关方法
CN110909109A (zh) 一种gis系统路线轨迹比对与筛选方法
CN106960441B (zh) 一种用于肾皮质定位的非均匀图搜索分割算法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20964681

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20964681

Country of ref document: EP

Kind code of ref document: A1